Μεταπτυχιακη Διατριβη - Λεκου Αθηνα
Post on 15-Apr-2017
82 Views
Preview:
TRANSCRIPT
1
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
ΜΕΤΑΠΤΥΧΙΑΚΟ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ
ΤΟΜΕΑΣ: ΟΡΓΑΝΩΣΗ & ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΠΡΟΒΛΕΨΗ ΕΙΣΑΓΟΜΕΝΗΣ ΔΙΑΣΥΝΔΕΔΕΜΕΝΗΣ
ΕΝΕΡΓΕΙΑΣ
Αθηνά Λέκου
Φεβρουάριος 2011
2
Περιεχόμενα ΕΥΧΑΡΙΣΤΙΕΣ : ................................................................................................................. 4
1. Εθνικά και ∆ιασυνδεδεµένα ∆ίκτυα Ηλεκτρικής Ενέργειας ....................................... 5
1.1 Γενικά ....................................................................................................................... 5
1.2 Υπάρχοντα ∆ιασυνδεδεµένα Ηλεκτρικά ∆ίκτυα Ηλεκτρικής Ενέργειας ................ 6
1.2.1 Το δίκτυο µεταφοράς UCTE ................................................................................ 8
1.2.2 To Ελληνικό Σύστηµα Μεταφοράς Ηλεκτρικής Ενέργειας ............................... 10
1.2.3 Το Σύστηµα Μεταφοράς Ηλεκτρικής Ενέργειας των ΗΠΑ .............................. 14
1.2.4 Το Περιφερειακό Ηλεκτρικό ∆ίκτυο της Νέας Αγγλίας (ISO-NE) ................... 17
1.2.4.1 Η Ιστορία της Παραγωγής, ∆ιανοµής και ∆ιαχείρισης Ηλ. Ενέργειας στην
Νέα Αγγλία ....................................................................................................................... 19
1.2.4.2 Οι διασυνδέσεις του ISO-NE µε άλλα εξωτερικά δίκτυα .............................. 21
1.3 Η Αγορά της Ηλεκτρικής Ενέργειας – Παρόν και Μέλλον ................................... 25
1.3.1 Η ιστορία της απελευθέρωσης της αγοράς της ηλεκτρικής ενέργειας ............... 26
1.3.2 Η απελευθέρωση της αγοράς της ηλεκτρικής ενέργειας στην Ελλάδα ............. 28
1.3.3 Η αγορά της Ηλεκτρικής Ενέργειας στην Νέα Αγγλία ...................................... 29
2. Προηγούµενες Εφαρµογές Πρόβλεψης της Ηλεκτρικής Ενέργειας.......................... 32
2.1 Ανασκόπηση Μεθοδολογιών Πρόβλεψη της Τιµής της Ηλεκτρικής Ενέργειας .. 32
2.2 Ανασκόπηση Μεθοδολογιών Πρόβλεψη της Κατανάλωσης της Ηλεκτρικής
Ενέργειας .......................................................................................................................... 33
3. Ασαφή λογική και Νευρωνικά ∆ίκτυα ...................................................................... 40
3.1 Η Θεωρία της Ασαφούς Λογικής (Fuzzy Logic Theory) ...................................... 40
3.1.1 Ασαφή Σύνολα ................................................................................................... 40
3.1.2 Συναρτήσεις συµµετοχής για τα ασαφή σύνολα και συστήµατα ....................... 42
3.1.3 Λογικές Πράξεις στα Ασαφή Σύνολα ................................................................ 44
3.1.4 Ασαφείς σχέσεις ................................................................................................. 46
3.1.5 Ασαφής Συλλογιστική ........................................................................................ 48
3.2 H θεωρία των Τεχνητών Νευρωνικών ∆ικτύων .................................................... 49
4. Συστήµατα Ασαφούς Συλλογιστικής και Νευροασαφή Συστήµατα ......................... 52
3.1 Κανόνες αν-τότε (if-then rules) .................................................................................. 52
3.2 Συστήµατα Εξαγωγή Συµπερασµάτων (Fuzzy Inference Systems – FIS)............. 54
3.2.1 FIS Τύπου Mamdani .......................................................................................... 55
3.2.2 FIS Τύπου Sugeno .............................................................................................. 57
3.3 Νευρο-Ασαφή συστήµατα ..................................................................................... 60
3.3.1 Ασαφείς Νευρώνες ............................................................................................. 60
3
3.3.1.1 Νευρώνες συµµετοχής .................................................................................... 61
3.3.1.2 Λειτουργικοί νευρώνες ................................................................................... 61
3.3.1.3 Συνθετικοί νευρώνες....................................................................................... 62
3.4 Προσαρµοστικά ∆ίκτυα (Adaptive Networks) ...................................................... 62
3.5 Καταµερισµός Παραµέτρων σε Προσαρµοστικά ∆ίκτυα ...................................... 64
3.6 Παραδείγµατα Προσαρµοστικών ∆ικτύων ............................................................ 66
3.6.1 Προσαρµοστικό ∆ίκτυο µε ένα Γραµµικό Κόµβο (Linear Node) ..................... 66
3.6.2 ∆ίκτυο Percepton ................................................................................................ 67
3.6.3 Ένα Πολυεπίπεδο Percepton .............................................................................. 68
4. Προσαρµοστικό Νεύρο-Ασαφές Σύστηµα Εξαγωγής Συµπεράσµατος (Adaptive
Neuro-Fuzzy Inferences Systems – ANFIS) ..................................................................... 69
4.1 Η Αρχιτεκτονική του ANFIS ...................................................................................... 69
4.2 Υβριδικός Αλγόριθµος Εκπαίδευσης .......................................................................... 72
4.2.1 Εκτιµητής Ελαχίστων Τετραγώνων ......................................................................... 72
4.2.2 Οπισθοδρόµηση για Πρωσο-Τροφοδοτούµενα ∆ίκτυα ........................................... 75
4.3 Συνδυασµός Βαθµωτής Ελαχιστοποίησης & Εκτιµητή Ελαχίστων Τετραγώνων. 80
4.4 Περιορισµοί του ANFIS ........................................................................................ 83
5. Εφαρµογές Του ANFIS Σε Προβλήµατα Που Αφορούν Τα Συστήµατα Μεταφοράς
& ∆ιανοµής Της Ενέργειας ............................................................................................... 84
5.1 Προβλήµατα Εντοπισµού Σφαλµάτων στο ∆ίκτυο ............................................... 84
5.2 Προβλήµατα Βραχυπρόθεσµης Πρόβλεψης Κατανάλωσης Ηλεκτρικού Φορτίου 90
5.3 Προβλήµατα Ελέγχου και Σταθεροποίησης Ενέργειας ......................................... 91
5.4 Προβλήµατα Υπολογισµού του ΗλεκτροΜαγνητικού Πεδίου ενός ∆ικτύου
Ηλεκτρικής Ενέργειας....................................................................................................... 96
5.5 Προβλήµατα Ασφάλειας της Απελευθερωµένης Αγοράς Ηλεκτρισµού ............... 97
6. Αποτελέσµατα από τη χρήση του ANFIS ............................................................... 100
6.1 Αποτελέσµατα πρόβλεψης της συνολικής εισαγόµενης ποσότητας ηλεκτρικής
ενέργειας. ........................................................................................................................ 100
6.2 Αποτελέσµατα πρόβλεψης της εισαγόµενης ποσότητας ηλεκτρικής ενέργειας από
µια διασύνδεση των δικτύων. ......................................................................................... 107
6.3 Αποτελέσµατα πρόβλεψης της τιµής αγοράς της εισαγόµενης ηλεκτρικής
ενέργειας από µια διασύνδεση (Day-Ahead Price). ........................................................ 112
6.4 Αποτελέσµατα πρόβλεψης της τιµής αγοράς της εισαγόµενης ηλεκτρικής
ενέργειας από µια διασύνδεση (Real-Time Price). ......................................................... 117
7. Συµπεράσµατα ......................................................................................................... 122
ΒΙΒΛΙΟΓΡΑΦΙΑ: ........................................................................................................... 123
4
ΕΥΧΑΡΙΣΤΙΕΣ :
Καταρχάς, θα ήθελα να ευχαριστήσω τον καθηγητή κ. Γιώργο Ατσαλάκη, ο οποίος µε
την πολύτιµη καθοδήγηση µε βοήθησε στην επιτυχή ολοκλήρωση της παρούσας εργασίας.
Επίσης, θα ήθελα να ευχαριστώ θερµά όλους τους καθηγητές του τµήµατος Μηχανικών
Παραγωγής και ∆ιοίκησης των οποίων η συµβολή τους µέσα από την παράδοση των
µεταπτυχιακών τους µαθηµάτων µε έδωσαν ιδιαίτερη ώθηση για την επιτυχή παρακολούθηση
του Π.Μ.Σ. και µε βοήθησαν να διευρύνω τους επιστηµονικούς µου ορίζοντες.
Με την ολοκλήρωση της παρούσας διπλωµατικής εργασίας µου ολοκληρώνεται µια
πολύ σηµαντική περίοδος της µέχρι τώρα ζωής µου. Ένα µεγάλο ευχαριστώ στους
ανθρώπους εκείνους που µε στήριξαν και µε ώθησαν να φτάσω ως εδώ. Ένα µεγάλο
ευχαριστώ στην οικογένεια µου και τους φίλους µου για την αγάπη τους και τη
συµπαράσταση τους.
Σας ευχαριστώ
5
1. Εθνικά και ∆ιασυνδεδεµένα ∆ίκτυα Ηλεκτρικής Ενέργειας
1.1 Γενικά
Ένα εθνικό δίκτυο ηλεκτρικής ενέργειας είναι ένα ηλεκτρικό δίκτυο για την παροχή
ηλεκτρικής ενέργειας από τους προµηθευτές προς τους καταναλωτές. Για τις περισσότερες
χώρες, το δίκτυο αυτό µπορεί να υποστηρίξει όλες ή µερικές από τις ακόλουθες τέσσερις
ξεχωριστές ενέργειες:
o Παραγωγή ηλεκτρικής ενέργειας
o Μετάδοση ηλεκτρικού ρεύµατος
o ∆ιανοµή ηλεκτρισµού
o Έλεγχος της ηλεκτρικής ενέργειας
Όταν επιµέρους εθνικά ή περιφερειακά δίκτυα ηλεκτρικής ενέργειας συνδεθούν
ηλεκτρικά και µε συγχρονισµένη συχνότητα τότε δηµιουργείται ένα διασυνδεδεµένο
ηλεκτρικό δίκτυο. Τα σύγχρονα αυτά δίκτυα, όταν έχουν άφθονη χωρητικότητα,
διευκολύνουν την αγορά ηλεκτρικού ρεύµατος µεταξύ ευρειών περιοχών. Αυτό είναι ένα
γεγονός που διευκολύνει πολλές χώρες στο να ανταποκριθούν στην ζήτηση ηλεκτρικού
φορτίου που απαιτεί από το εθνικό δίκτυο ηλεκτρικής ενέργειας.
Εικόνα 1: Πυλώνες µεταφοράς ηλεκτρικής ενέργειας.
Κάποια βασικά πλεονεκτήµατα ενός διασυνδεδεµένου δικτύου µεταφοράς είναι τα
εξής:
6
1. ∆υνατότητα εντάξεως µεγαλύτερων και οικονοµικότερων µονάδων παραγωγής
στο σύστηµα και µεταφοράς µεγάλων ποσοτήτων ενέργειας από τους
σταθµούς παραγωγής προς τα µείζονα κέντρα φορτίου
2. Μείωση απαιτήσεων εφεδρείας κάθε µιας από τις διασυνδεδεµένες περιοχές ή
συστήµατα.
3. Οικονοµία ισχύος µε εποχιακές ανταλλαγές ισχύος µεταξύ περιοχών ή
συστηµάτων, τα οποία έχουν διαφορετικές ανάγκες κατά τις διάφορες εποχές.
4. Οικονοµία ισχύος λόγω διαφορών στις ζητήσεις φορτίου µεταξύ περιοχών ή
συστηµάτων κατά τη διάρκεια του 24ωρού.
5. ∆υνατότητα αντιµετωπίσεως απρόβλεπτων ζητήσεων λόγω εκτάκτου ανάγκης.
Με βάση τα παραπάνω, έχει αναπτυχθεί από τα µέσα της δεκαετίας του 70 µια νέα
αγορά η οποία βασίζεται στην αγοραπωλησία ηλεκτρικής ενέργειας, σπάζοντας ουσιαστικά
το µονοπώλιο που µέχρι τότε υπήρχε από τις εθνικές εταιρείες διαχείρισης, παραγωγής και
εµπορίας ηλεκτρικής ενέργειας. Ωστόσο αυτή η νέα αγορά αναπτύσσει ισχυρά κίνητρα
µεταξύ των εµπλεκοµένων αυτής να δηµιουργήσουν σκόπιµα ‘κυκλοφοριακή συµφόρηση’
και κακή διαχείριση της παραγόµενης χωρητικότητας σε ένα διασυνδεδεµένο δίκτυο ώστε να
διογκωθούν τεχνητά οι τιµές πώλησης της ηλεκτρικής ενέργειας1. Συνεπώς, µια αύξηση της
ικανότητας µεταφοράς και η διεύρυνση της αγοράς µε τη συνένωση γειτονικών σύγχρονων
δικτύων θα κάνει τέτοιου είδους µεθοδεύσεις πιο δύσκολες.
Είναι λοιπόν επιθυµητό να υπάρχει δυνατότητα πρόβλεψης της αναγκαίας ποσότητας
ηλεκτρικής ενέργειας που ένα εθνικό ή ένα περιφερειακό ηλεκτρικό δίκτυο θα χρειαστεί να
εισάγει από εξωτερικά ηλεκτρικά δίκτυα µέσω του διασυνδεδεµένου ηλεκτρικού συστήµατος,
ώστε να προγραµµατιστούν οι αναγκαίες ενέργειες και να υπάρχει ακριβής πρόβλεψη του
απαιτούµενου πόσου που θα χρειαστεί για την αγορά της εισαγόµενης ηλεκτρικής ενέργειας.
Σκοπός της παρούσας εργασίας είναι η διεύρυνση της καταλληλότητας του µοντέλου
πρόβλεψης ANFIS για την ακριβής πρόβλεψη της εισαγόµενης διασυνδεδεµένης ηλ.
ενέργειας και η σύγκριση των αποτελεσµάτων αυτού του µοντέλου µε άλλα µοντέλα
πρόβλεψης.
1.2 Υπάρχοντα ∆ιασυνδεδεµένα Ηλεκτρικά ∆ίκτυα Ηλεκτρικής Ενέργειας
Τα µεγαλύτερα διασυνδεδεµένα ηλεκτρικά δίκτυα που υπάρχουν στον κόσµο είναι τα
εξής:
• Ανατολική ∆ιασύνδεση (Eastern Interconnection) που εξυπηρετεί τις ανατολικές
πολιτείες των ΗΠΑ και τον Καναδά και διαχειρίζεται παραγόµενη ηλ. ενέργεια της
τάξεως των 610 GW.
1 Μια πρώτη αναφορά σε αυτό το πρόβληµα έγινε όταν δηµιουργήθηκε η ενεργειακή κρίση στις αρχές του 21ου αιώνα στην πολιτεία της Καλιφόρνιας.
7
• ∆υτική ∆ιασύνδεση (Western Interconnection) που εξυπηρετεί τις δυτικές πολιτείες
των ΗΠΑ, τον Καναδά και βόρειο-δυτικό Μεξικό και διαχειρίζεται παραγόµενη ηλ.
ενέργεια της τάξεως των 160 GW.
• Εθνική αγορά ηλεκτρικής ενέργειας (National Electricity Market) - ένα από
µεγαλύτερα διασυνδεδεµένα δίκτυα ηλ. ενέργειας στον κόσµο, που εξυπηρετεί όλα
τις περιοχές της Αυστραλία, εκτός από τη ∆υτική Αυστραλία και τη Βόρεια
Επικράτεια.
• NORDEL – το διασυνδεδεµένο δίκτυο των σκανδιναβικών χώρων (Φινλανδία,
Σουηδία, τη Νορβηγία και την Ανατολική ∆ανία), µε ικανότητα παραγωγής 93 GW
και εξυπηρέτησης 25 εκατοµµύριων ανθρώπων.
• UCTE - το διασυνδεδεµένο ηλεκτρικό δίκτυο που εξυπηρετεί 23 ευρωπαϊκές χώρες,
διαχειρίζεται παραγόµενη ηλ. ενέργεια της τάξεως των 603 GW γενιά, και εξυπηρετεί
450 εκατοµµύρια ανθρώπους.
• ATSOI / UKTSOA - το διασυνδεδεµένο ηλεκτρικό δίκτυο της Ιρλανδίας και της
Μεγάλης Βρετανίας, που διαχειρίζεται παραγόµενη ηλ. ενέργεια της τάξεως των 400
TWh ετησίως και εξυπηρετεί 65 εκατοµµύρια ανθρώπους.
• IPS / UPS - το διασυνδεδεµένο ηλεκτρικό δίκτυο των 12 χώρων της πρώην Σοβιετικής
Ένωσης: που διαχειρίζεται παραγόµενη ηλ. ενέργεια της τάξεως των 1285 TWh
ετησίως και εξυπηρετεί 280 εκατοµµύρια ανθρώπους.
• SEMB - το διασυνδεδεµένο ηλεκτρικό δίκτυο της νοτιοανατολικής Μεσόγειου που
εξυπηρετεί τη Λιβύη, την Αίγυπτο, τη Συρία, την Ιορδανία και το Λίβανο.
• SWMB - το διασυνδεδεµένο ηλεκτρικό δίκτυο της νοτιοδυτικής Μεσογείου που
εξυπηρετεί το Μαρόκο, την Αλγερία και την Τυνησία.
Έχουν προγραµµατιστεί ή προταθεί να γίνουν µελλοντικά και περαιτέρω ηλεκτρικές
διασυνδέσεις των ήδη υπαρχόντων δικτύων όπως:
• Το SIEPAC που θα εξυπηρετεί 37 εκατοµµύρια πελάτες σε 6 χώρες της Κεντρικής Αµερικής.
• Η Κίνα σχεδιάζει να ολοκληρώσει έως το 2020 το δίκτυο υψηλής AC τάσης που θα
συνδέει τα τρέχοντα δίκτυα της Βόρειας, Κεντρικής και Ανατολικής περιοχής. Όταν
ολοκληρωθεί αυτό το εγχείρηµα, η ικανότητα παραγωγής της θα καταποντίσει αυτής
του δικτύου UCTE.
• Ένωση των UCTE και IPS / UPS δικτύων, ώστε να εξυπηρετηθούν 36 χώρες (κυρίως
ευρωπαϊκές).
8
• ∆ηµιουργία ενός Ενιαίο Έξυπνου ∆ικτύου (Smart Grid) προς ενοποίηση των
διασυνδέσεων των ΗΠΑ σε ένα ενιαίο δίκτυο µε χαρακτηριστικά έξυπνου δικτύου2.
• ∆ηµιουργία ενός Υπερ-Έξυπνου ∆ικτύου (SuperSmart Grid) που θα συνδέει τα εξής
υπάρχοντα δίκτυα: UCTE, IPS/UPS, της Βόρειας Αφρικής και τα τουρκικά δίκτυα.
Παρακάτω θα γίνει µια σύντοµη αναφορά των δικτύων της Ευρωπαϊκής Ηπείρου
(UCTE), των ΗΠΑ και της Ελλάδας.
1.2.1 Το δίκτυο µεταφοράς UCTE
Το UCTE είναι το µεγαλύτερο διασυνδεδεµένο δίκτυο που υπάρχει τώρα στο κόσµο.
Είναι διασυνδεδεµένο µε µια µεµονωµένη φάση µε κλειδωµένη συχνότητα δικτύου στα 50 Hz
και εξυπηρετεί πάνω από 400 εκατοµµύρια ανθρώπους σε 24 χώρες. Το UCTE είναι από την
1η Ιουλίου του 2009 τµήµα του European Network of Transmission System Operators for
Electricity (ENTSO-E), ενός συντονιστικού οργάνου των διαχειριστών των συστηµάτων
µεταφοράς της ηπειρωτικής Ευρώπης.
Το δίκτυο αυτό καλύπτει τις εξής περιοχές: Αυστρία, Βέλγιο, Βοσνία & Ερζεγοβίνη,
Βουλγαρία, Κροατία, Τσέχικη ∆ηµοκρατία, ∆ανία (δυτικό τµήµα), Γαλλία, Γερµανία,
Ελλάδα, Ουγγαρία, Ιταλία, Λουξεµβούργο, Σκόπια, Μαυροβούνιο, Ολλανδία, Πολωνία,
Πορτογαλία, Ρουµανία, Σερβία, Σλοβακία, Σλοβενία, Ισπανία και Ελβετία ως µέλη του
ENTSO-E. Επιπλέον, στο δίκτυο είναι συνδεδεµένο ένα µικρό νησί δυτικά της Ουκρανίας, η
Αλβανία είναι σχεδόν συγχρονισµένη µε το δίκτυο της Ευρωπαϊκής Ηπείρου, τα δίκτυα του
Μαρόκο, Αλγερίας και Τυνησίας είναι συγχρονισµένα µε το Ευρωπαϊκό δίκτυο µέσω της AC
διασύνδεσης του Gibraltar – δηµιουργώντας το SWMB (South Western Mediterranean
Block).
Το εθνικό βρετανικό δίκτυο δεν είναι συγχρονισµένο µε την ευρωπαϊκή συχνότητα
της ηπειρωτικής Ευρώπης, αλλά είναι διασυνδεδεµένο µέσω της σύνδεσης HVDC3 Cross-
Channel. Οµοίως, η σκανδιναβική περιφερειακή οµάδα ENTSO-E (πρώην NORDEL) δεν
είναι συγχρονισµένη µε την Ηπειρωτική Ευρώπη, αλλά έχει µια σειρά από µη-σύγχρονων
συνδέσεων DC µε το δίκτυο της ηπειρωτικής Ευρώπης.
Τα δίκτυα της Ιρλανδίας και της Βόρειας Ιρλανδίας δεν έχουν ακόµη διασυνδεθεί µε
το δίκτυο της ηπειρωτικής Ευρώπης, αλλά έχουν διασύνδεση µε το βρετανικό δίκτυο µέσω
του διασύνδεσης Moyle4. Οµοίως, το δίκτυο της Βαλτικής περιφερειακής οµάδας που
2 Ένα έξυπνο δίκτυο παρέχει ηλεκτρική ενέργεια από τους προµηθευτές προς τους καταναλωτές χρησιµοποιώντας ψηφιακή τεχνολογία µε αµφίδροµη επικοινωνία για τον έλεγχο των συσκευών σε σπίτια των καταναλωτών µε σκοπό την εξοικονόµηση ενέργειας, τη µείωση του κόστους και αύξηση της αξιοπιστίας και της διαφάνειας του ηλεκτρικού δικτύου.
3 HVDC (High Voltage Direct Current): ∆ιασύνδεση Συστηµάτων Ενέργειας µε καλώδιο Υψηλής Τάσης Συνεχούς Ρεύµατος 4 Μια διασύνδεση HVDC που συνδέει την Σκωτία µε την Βόρεια Ιρλανδία.
9
ανήκουν στο ENTSO-E (δλδ. από τη Λιθουανία, τη Λετονία και την Εσθονία), που τώρα
ανήκουν στο δίκτυο IPS/UPS, είναι διασυνδεδεµένο µε το σκανδιναβικό δίκτυο µέσω του
καλωδίου Estlink5. Τα εθνικά δίκτυα της Ισλανδίας, της Κύπρου και της Μάλτας δεν έχουν
ακόµη διασυνδέονται µε τα άλλα δίκτυα.
Εικόνα 2: ∆ιαχωρισµός του ENTSO-E στα επιµέρους περιφερειακά ηλεκτρικά δίκτυα.
Η δηµιουργία του ENTSO-E ξεκίνησε µε την έγκριση από την Ευρωπαϊκή Ένωση του
τρίτου πακέτου νοµοθετικών µέτρων σχετικά µε την απελευθέρωση της αγοράς της
ηλεκτρικής ενέργειας και του φυσικού αερίου. Το 2003, η Ευρωπαϊκή Επιτροπή διεξήγαγε
τοµεακή έρευνα σχετικά µε τον ανταγωνισµό της αγοράς ηλεκτρικής ενέργειας σε έξι
ευρωπαϊκές χώρες. Η τελική έκθεση αναφέρει ότι παρατηρήθηκε ότι η ολοκλήρωση των
αγορών µεταξύ κάθε κράτους µέλους εξακολουθεί να είναι ανεπαρκής. Επιπλέον,
παρατηρήθηκε απουσία διαθέσιµων πληροφοριών για την αγορά. Ως αποτέλεσµα, το τρίτο
πακέτο νοµοθετικών µέτρων σχετικά µε την ηλεκτρική ενέργεια και τις αγορές φυσικού
αερίου της ΕΕ εγκρίθηκε από την Ευρωπαϊκή Επιτροπή το Σεπτέµβριο του 2007.
Προκειµένου να διασφαλιστεί ένα λειτουργικό ευρωπαϊκό δίκτυο ηλεκτρικής
ενέργειας, η συχνότητα λειτουργίας καθορίζεται από το πρότυπο των 50 hertz. Από τη στιγµή
όµως που ηλεκτρική παραγωγή και την κατανάλωση διαφέρει, υπάρχει περίπτωση να
συµβούν αλλαγές στη συχνότητα αν η προσφορά ή η ζήτηση υπερβαίνει το όριο της. Ο
5 Μια υποβρύχια διασύνδεση HVDC που συνδέει την Εσθονία µε την Φινλανδία.
10
κύριος στόχος είναι να διατηρηθεί η συχνότητα των πέντε συγχρονισµένων περιοχών στα 50
Hertz για την εξασφάλιση ενός ασφαλούς παροχής ενέργειας.
Μια ανοικτή ευρωπαϊκή αγορά ηλεκτρικής ενέργειας χρειάζεται µια µεγάλη
ηλεκτρονική ανταλλαγή δεδοµένων µεταξύ όλων των συµµετεχόντων στην αγορά,
προκειµένου να βελτιωθεί ο συντονισµός µεταξύ των συστηµάτων των διαφόρων χωρών,
µεταξύ συστηµάτων. Ο στόχος του ENTSO-Ε είναι να προσφέρει σε όλους τους
συµµετέχοντες τα απαραίτητα στοιχεία των υφιστάµενων προτύπων EDI και τις
προδιαγραφές τους. Σε συνεργασία µε ebiX6 και τον EFET (European Federation of
Electricity Traders), ο ENTSO-Ε διατηρεί έναν εναρµονισµένο πρότυπο για την ευρωπαϊκή
αγορά ηλεκτρικής ενέργειας.
1.2.2 To Ελληνικό Σύστηµα Μεταφοράς Ηλεκτρικής Ενέργειας
Στην Ελλάδα, µε τον νόµο 2773/99 δηµιουργήθηκε η Ανώνυµη Εταιρεία ∆ιαχειριστής
Ελληνικού Συστήµατος Μεταφοράς Ηλεκτρικής Ενέργειας (ή ∆ιαχειριστής του Συστήµατος
ή ∆ΕΣΜΗΕ), η οποία διαχειρίζεται το Ελληνικό Σύστηµα Μεταφοράς Ηλεκτρικής
Ενέργειας.
6 Ευρωπαϊκό φόρουµ για την ανταλλαγή πληροφοριών µεταξύ ενεργειακών επιχειρήσεων. Είναι ένας ευρωπαϊκός µη κερδοσκοπικός οργανισµός µε στόχο την προώθηση, ανάπτυξη και τυποποίηση της χρήσης της ηλεκτρονικής ανταλλαγής δεδοµένων στην ευρωπαϊκή ενεργειακή βιοµηχανία.
11
Εικόνα 3: Χάρτης του διασυνδεδεµένου συστήµατος µεταφοράς ηλ. Ενέργειας της Ελλάδας.
Ο ∆ΕΣΜΗΕ είναι µια εταιρεία που έχει ένα διπλό ρόλο:
• Ο ένας ρόλος είναι αυτός που ασκούσε η ∆ΕΗ σε σχέση µε το Σύστηµα Μεταφοράς:
φροντίζει να υπάρχει ανά πάσα στιγµή ισορροπία παραγωγής και κατανάλωσης και η
ηλεκτρική ενέργεια να παρέχεται κατά τρόπο αξιόπιστο, ασφαλή και ποιοτικά
αποδεκτό.
• Ο δεύτερος ρόλος του ∆ΕΣΜΗΕ είναι να εκκαθαρίζει την αγορά, να λειτουργεί σαν
ένα είδος χρηµατιστηρίου που υπολογίζει κάθε ηµέρα ποιός οφείλει σε ποιόν. Ο
∆ΕΣΜΗΕ δεν εµπορεύεται ηλεκτρική ενέργεια και ότι βασικές συναλλακτικές
σχέσεις είναι διµερείς µεταξύ παραγωγών / προµηθευτών και των πελατών τους.
12
Στόχος του ∆ΕΣΜΗΕ είναι να εξασφαλίσει µια αξιόπιστη και αµερόληπτη λειτουργία
του Ελληνικού Συστήµατος Μεταφοράς Ηλεκτρικής Ενέργειας αλλά και της αγοράς που
στηρίζεται σε αυτό έτσι ώστε οι νέοι παραγωγοί, οι επιλέγοντες πελάτες αλλά και όλοι οι
καταναλωτές να διαθέτουν την παραδοσιακή αξιοπιστία του Συστήµατος.
Τη σπονδυλική στήλη του Ελληνικού ∆ιασυνδεδεµένου Συστήµατος Μεταφοράς
αποτελούν οι 3 εναέριες γραµµές διπλού κυκλώµατος των 400 kV, που µεταφέρουν
ηλεκτρική ενέργεια, κυρίως από το σπουδαιότερο για την χώρα µας ενεργειακό κέντρο
παραγωγής, της ∆υτικής Μακεδονίας. Το ∆ιασυνδεδεµένο Σύστηµα Μεταφοράς διαθέτει
επιπλέον εναέριες και υπόγειες γραµµές των 400 kV και 150 kV, καθώς επίσης και
υποβρύχια καλώδια των 66 kV και 150 kV που συνδέουν την Άνδρο και τα Επτάνησα,
Κέρκυρα, Λευκάδα, Κεφαλονιά και Ζάκυνθο, ενώ έχει προγραµµατιστεί η επέκταση των
υποβρύχιων διασυνδέσεων και προς τα µεγαλύτερα νησιά των Κυκλάδων αλλά και της
Κρήτης.
Το Ελληνικό ∆ίκτυο Μεταφοράς Ενέργειας συνδέεται και µε άλλα διεθνή δίκτυα
µεταφοράς ενέργειας ώστε να υπάρχει δυνατότητα ανταλλαγής ποσότητας ηλεκτρικής
ενέργειας (εισαγωγή ή εξαγωγή ενέργειας) για να καλυφθεί το εγχώριο ηλεκτρικό φορτίο
κατανάλωσης (βλ. Εικόνα 4).
Εικόνα 4: ∆ιάγραµµα που δείχνει το ποσοστό κάλυψης του εγχώριο φορτίου ζήτησης από τους ΥΗΣ και τις εισαγωγές
από τις διεθνείς διασυνδέσεις.
Η διασύνδεση µε την Ιταλία αποτελείται από υποβρύχιο καλώδιο και γραµµή
µεταφοράς συνεχούς ρεύµατος (HVDC) ισχύος 500 MW.
13
Εικόνα 5: Στοιχεία που αφορούν τις εισαγωγές και εξαγωγές ηλ. ενέργειας µε την Ιταλία.
Η διασύνδεση µε τη Βουλγαρία αποτελείται από µία Γραµµή των 400 kV, ενώ η
διασύνδεση µε την Π.Γ.∆.Μ γίνεται µε δύο Γραµµές των 400 kV. Η διασύνδεση µε την
Αλβανία αποτελείται από µία Γραµµή των 150 kV και µία των 400 kV. Η συνολική
ονοµαστική δυναµικότητα αυτών των διασυνδέσεων είναι περίπου 4.400 ΜW. Η διασύνδεση
µε την Τουρκία ολοκληρώθηκε τον Ιούνιο του 2008 µε την κατασκευή γραµµή µεταφοράς
400 kV απλού κυκλώµατος µε τρίδυµο αγωγό (2000 ΜVΑ).
Εικόνα 6: Στοιχεία που αφορούν τις εισαγωγές από τις βόρειες διασυνδέσεις.
Από την Εικόνα 6 παρατηρούµε ότι από τις βόρειες της διασυνδέσεις η Ελλάδα έχει
µόνο εισαγωγές ηλεκτρικής ενέργειας. Αυτό οφείλεται στο γεγονός ότι οι χώρες των βόρειων
διασυνδέσεων έχουν χαµηλή - κατά µέσο όρο - ποιότητα ζωής που αυτό οδηγεί σε χαµηλή -
κατά µέσο όρο - κατανάλωση ηλεκτρικής ενέργειας ανά εγχώριο πληθυσµό. Αυτή η τωρινή
κατάσταση πιθανόν να αλλάξει στο µέλλον µε την συνεχή οικονοµική ανάπτυξη που
αναπτύσσουν οι γειτονικές χώρες από τις οποίες η Ελλάδα εισάγει ηλεκτρική ενέργεια.
14
Εικόνα 7: ∆ιάγραµµα των διεθνή διασυνδέσεων της Ελλάδας.
Από τον Οκτώβριο του 2004 το Ελληνικό Σύστηµα Μεταφοράς επανασυνδέθηκε και
λειτουργεί σύγχρονα και παράλληλα µε το ∆ιασυνδεδεµένο Ευρωπαϊκό Σύστηµα της UCTE
(Union for Coordination of Transmission of Electricity) µέσω των διασυνδετικών γραµµών
µεταφοράς των 400kV και 150kV µε τα συστήµατα της Αλβανίας, Βουλγαρίας και Πρώην
Γιουγκοσλαβίας. Από την παραπάνω σύντοµη ανάλυση µπορούµε να βγάλουµε τα εξής
συµπεράσµατα:
• Η έλλειψη παραγωγικής ισχύος στην Ελλάδα έχει συµβάλλει στο να υπάρχουν
σηµαντικές ανάγκες εισαγωγών ηλεκτρικής ενέργειας.
• Έχει ήδη αναπτυχθεί στη χώρα µας ανταγωνιστική αγορά κυρίως εισαγωγών αλλά και
εξαγωγών ηλεκτρικής ενέργειας στην οποία συµµετέχουν η ∆ΕΗ και άλλες ελληνικές
και ξένες εταιρείες.
• Η αναµενόµενη αύξηση της διασυνδετικής ισχύος από τις Βόρειες διασυνδέσεις θα
αύξηση περισσότερο τον ανταγωνισµό και τις εισαγωγές ηλεκτρικής ενέργειας στη
χώρα µας.
1.2.3 Το Σύστηµα Μεταφοράς Ηλεκτρικής Ενέργειας των ΗΠΑ
Στις ΗΠΑ, υπάρχουν – όπως έχει ήδη προαναφερθεί – 2 µεγάλα συστήµατα
µεταφοράς της ηλεκτρικής ενέργειας: η Ανατολική ∆ιασύνδεση (Eastern Interconnection) και
η ∆υτική ∆ιασύνδεση (Western Interconnection).
15
Εικόνα 8: Τα 2 µεγάλα συστήµατα µεταφοράς ενέργειας και τα άλλα 3 µικρότερα συστήµατα των ΗΠΑ.
Πέρα από αυτά τα 2 µεγάλα συστήµατα, υπάρχουν και άλλα 3 συστήµατα µεταφοράς
ενέργειας µικρότερης ισχύος: η διασύνδεση της περιοχής του Québec, η διασύνδεση της
πολιτείας της Αλάσκας και η διασύνδεση της πολιτείας του Τέξας.
Όλες οι αµερικάνικες εταιρείες παραγωγής ηλεκτρικής ενέργειας για να διασυνδεθούν
στα συστήµατα µεταφοράς ενέργειας των ΗΠΑ πρέπει να είναι ηλεκτρικά συνδεµένα µεταξύ
τους υπό κανονικές συνθήκες και να λειτουργούν σε µια συγχρονισµένη συχνότητα
λειτουργίας γύρω στα 60Hz.
Οι διασυνδέσεις µπορούν να συνδέονται µεταξύ τους µέσω των γραµµών µεταφοράς
υψηλής τάσης DC (DC ties), ή µε µετασχηµατιστές µεταβλητής συχνότητας (variable
frequency transformers, VFTs). Η διασύνδεση της Ανατολής µε τις περιοχές της ∆υτικής
διασύνδεσης γίνεται µε έξι DC δεσµούς.
16
Εικόνα 9: Χάρτης των διαφόρων υποσυστηµάτων µεταφοράς ηλεκτρικής ενέργειας στις ΗΠΑ.
Στην παρούσα εργασία θα ασχοληθούµε µε την πρόβλεψη της εισαγόµενης
διασυνδεδεµένης ηλεκτρικής ενέργειας σε ένα περιφερειακό ηλεκτρικό δίκτυο των
Ηνωµένων Πολιτειών, το ISO-New England (ISO-NE) το οποίο εξυπηρετεί τις περιοχές των
Κονέκτικατ, Μέιν, Μασαχουσέτη, Νιού Χάµσαιρ, Ρόουντ Αϊλαντ και Βερµόντ. Ο οργανισµός
ISO-NE ανήκει στο NPCC7 που είναι ένα από τα 9 περιφερειακά συµβούλια ηλεκτρικής
αξιοπιστίας του NERC8. Αναλυτικά:
NERC: Μια µη-κερδοσκοπική εταιρεία που έχει ως σκοπό τη διασφάλιση της αξιοπιστίας του
µαζικού συστήµατος ενέργειας της Βόρειας Αµερικής. Επιβλέπει 8 περιφερειακές
οργανώσεις και περιλαµβάνει το σύνολο των διασυνδεδεµένων συστηµάτων ισχύος των
Ηνωµένων Πολιτειών, του Καναδά και ένα τµήµα της επαρχίας της Baja California του
Μεξικού. Οι σηµαντικές ευθύνες του περιλαµβάνουν τη συνεργασία µε όλα τα
ενδιαφερόµενα µέρη για την ανάπτυξη προτύπων για τη λειτουργία του συστήµατος
ηλεκτρικής ενέργειας, την παρακολούθηση και την επιβολή της συµµόρφωσης µε τα πρότυπα
αυτά, την εκτίµηση της επάρκειας των ενεργειακών πόρων, και την παροχή εκπαίδευσης και
κατάρτισης µέσα στο πλαίσιο ενός προγράµµατος πιστοποίησης για την εξασφάλιση ότι οι
διαχειριστές των συστηµάτων παραµένουν αξιόπιστα. Τέλος, ο NERC εξετάζει και αναλύει
τα αίτια κάθε σοβαρής διαταραχής του συστήµατος ηλεκτρικής ενέργειας, προκειµένου να
συµβάλει στην πρόληψη µελλοντικών παρόµοιων γεγονότων.
NPCC: Είναι ένα από τα 9 περιφερειακά συµβούλια ηλεκτρικής αξιοπιστίας του NERC. Η
περιοχή του NPCC βρίσκεται εντός της διασύνδεσης της Ανατολικής και καταλαµβάνει την
περιοχή της Νέας Αγγλίας, αλλά και τις επαρχίες του Οντάριο, του Κεµπέκ, του New
7 NorthWeast Power Coordinating Council. 8 North-american Electrical Reliability Coucil.
17
Brunswick, της Νέας Σκωτίας και το νησιού Prince Edward. Το NPCC καλύπτει το 20% του
φορτίου της συνολικής ζήτησης της Ανατολικής διασύνδεσης και το 70% της συνολικής
ζήτησης του Καναδά.
Παρακάτω θα αναφερθούµε εκτενώς στα χαρακτηριστικά του ηλεκτρικού δικτύου της
Νέας Αγγλίας και στις ιδιαιτερότητες του, από τεχνική αλλά και οικονοµική πλευρά.
1.2.4 Το Περιφερειακό Ηλεκτρικό ∆ίκτυο της Νέας Αγγλίας (ISO-NE)
Το ηλεκτρικό δίκτυο της περιοχής της Νέας Αγγλίας9 διαχειρίζεται από ένα µη
κερδοσκοπικό οργανισµό περιφερειακής ηλεκτρικής µεταφοράς, τον ISO-NE, ο οποίος
ιδρύθηκε το 1997 από την Οµοσπονδιακή Ρυθµιστική Επιτροπή Ενέργειας και έχει ως βάση
την πόλη της Holyoke στην Μασαχουσέτη.
Ο ISO-NE επιβλέπει την λειτουργία του συστήµατος ηλεκτρικής ενέργειας και των
γραµµών µεταφοράς της Νέας Αγγλίας. ∆ιαχειρίζεται κάπου στα 32000 MW συνολικής
παραγόµενης ηλ. ενέργειας.
Όπως και σε κάθε µαζικό σύστηµα µεταφοράς ενέργειας, η παραγωγή της ενέργειας
είναι ανάλογη µε την ζήτηση κατανάλωσης ενέργειας. Όπως είναι λοιπόν λογικό, η παραγωγή
ενέργειας υπόκειται σε διακυµάνσεις καθ’ όλη τη διάρκεια του έτους λόγω της περιοδικής
φύσης της κατανάλωσης της ηλεκτρικής ενέργειας (παρατηρείται αύξηση της κατανάλωση
ενέργειας κατά τους θερινούς µήνες λόγω της αύξηση της θερµοκρασίας του εξωτερικού
περιβάλλοντος που οδηγεί σε αυξηµένη χρήση διαφόρων εγκαταστάσεων για παροχή
δροσερού κλίµατος).
Εικόνα 10: Ηλεκτρικές περιοχές της Νέας Αγγλίας
9 Περιοχή στη βορειοανατολική περιοχή των Ηνωµένων Πολιτειών που αποτελείται από τις έξι πολιτείες των Maine, New Hampshire, Vermont, Μασαχουσέτη, Ρόουντ Αϊλαντ και το Κοννέκτικατ.
18
Εικόνα 11: ∆ιάγραµµα εβδοµαδιαίας παραγωγής ενέργειας (δεδοµένα µέχρι τον Οκτώβριο του 2010).
Η κύρια πηγή ενέργειας που χρησιµοποιείται από τις εγκαταστάσεις παραγωγής
ενέργειας στην Νέα Αγγλία είναι το φυσικό αέριο. Ωστόσο υπάρχουν και εγκαταστάσεις που
χρησιµοποιούν ως πρωτογενή ενεργειακή πηγή το πετρέλαιο, το νερό (υδροηλεκτρικές
εγκαταστάσεις), την πυρηνική ενέργεια, το λιθάνθρακα, τη βιοµάζα αλλά και τον άνεµο
(αιολικά πάρκα).
Εικόνα 12: Για το έτος 2009, η κατανοµή της χρήσης για την ηλεκτροπαραγωγή της κάθε ενεργειακής πηγής. (Οι
τιµές δίπλα στο ονόµατα των εν. πηγών φανερώνουν την ποσότητα ηλ. ισχύος που παράχθηκε από τη συγκεκριµένη
πηγή)
19
1.2.4.1 Η Ιστορία της Παραγωγής, ∆ιανοµής και ∆ιαχείρισης Ηλ.
Ενέργειας στην Νέα Αγγλία
H βιοµηχανία παραγωγής ηλ. ενέργειας της Νέας Αγγλίας - όπως και όλων των ΗΠΑ
- άλλαξε δραµατικά κατά τη διάρκεια των τελευταίων δεκαετιών. Μέχρι τη δεκαετία του
1970, ο κλάδος αποτελείται από επιχειρήσεις κοινής ωφελείας που χειριζόταν κάθε πτυχή της
παροχής ηλεκτρικής ενέργειας: τη παραγωγή, τη µετάδοση και στη συνέχεια τη διανοµή σε
σπίτια και επιχειρήσεις. Οι επιχειρήσεις κοινής ωφέλειας λειτουργούσαν ως τοπικά
µονοπώλια αλλά πάντα ανεξάρτητα µεταξύ τους.
Το µεγάλο Βόρειο-Ανατολικό black-out που συνέβη του 1965 αποτέλεσε το σηµείο
καµπής για την βιοµηχανία ηλεκτροπαραγωγής της περιοχής. Ανησυχώντας για την
αξιοπιστία του συστήµατος, οι τοπικές εταιρείες ενέργειας σχηµάτισαν 3 «οµάδες εξουσίας»
για να εξασφαλιστεί η αξιόπιστη παροχή ηλεκτρικής ενέργειας. Η Οµάδα Εξουσίας της Νέας
Αγγλίας (New England Power Pool, NEPOOL) σχηµατίστηκε το 1971 από ιδιωτικές και
δηµοτικές επιχειρήσεις κοινής ωφέλειας της περιοχής και είχε ως στόχο την ενίσχυση της
συνεργασίας και του συντονισµού µεταξύ των τοπικών υπηρεσιών κοινής ωφελείας. H
NEPOOL δηµιούργησε ένα περιφερειακό δίκτυο ηλεκτρικής ενέργειας, που περιλαµβάνει
πλέον περισσότερα από 300 διαφορετικούς σταθµούς παραγωγής ενέργειας και πάνω από
8.000 µίλια γραµµών µεταφοράς, που όλα συνδέονται µεταξύ τους ώστε να διασφαλιστεί ότι
η Νέα Αγγλία ποτέ ξανά δεν έχει περιφέρεια ολόκληρη την διακοπή ρεύµατος.
Από τη δεκαετία του 1990 η έλλειψη ανταγωνισµού που υπήρχε µεταξύ των
µονοπωλίων έδινε λίγες αφορµές για βελτίωση των υπηρεσιών, µείωση των τιµών ή
επένδυση σε νέες εγκαταστάσεις και τεχνολογίες. Εξαιτίας αυτού του γεγονότος, στις αρχές
της δεκαετίας του 1990, το Κογκρέσο και την Οµοσπονδιακή Ρυθµιστική Επιτροπή
Ενέργειας (FERC) ξεκίνησε να επιτρέπει την αναδιάρθρωση της χονδρικής πώλησης της
ηλεκτρικής ενέργειας. Η FERC δηµιούργησε ίσους όρους ανταγωνισµού για τις
ανταγωνιστικές αγορές, για την εξασφάλιση ίσης πρόσβασης στα δίκτυα µεταφοράς και την
ενθάρρυνση των πολιτειών να απαιτούν από τις επιχειρήσεις κοινής ωφελείας να εκποιήσουν
τις µονάδες ηλεκτροπαραγωγής (ώστε σταδιακά να υπάρξει µείωση των τιµών πώλησης
ενέργειας). Επίσης η FERC δηµιούργησε ανεξάρτητους διαχειριστές συστηµάτων
(Independent System Operator – ISO), για να επιβλέψουν την περιφερειακή αναδιάρθρωση.
Στις τοπικές ISO δόθηκαν αρµοδιότητες για την εξασφάλιση της αξιοπιστίας και για τη
θέσπιση και εποπτεία των ανταγωνιστικών αγορών χονδρικής πώλησης ηλεκτρικής
ενέργειας. Συνεπώς, το 1997 δηµιουργήθηκε η ISO της Νέας Αγγλίας (ISO-NE) και βοήθησε
στην αναδιάρθρωση του αµερικάνικου συστήµατος διαχείρισης της ηλεκτρικής ενέργειας.
Σήµερα, περίπου 400 συµµετέχουσες εταιρείες στην αγορά ολοκληρώνουν πάνω από
10 δισεκατοµµύρια δολάρια συναλλαγών χονδρικής ηλεκτρικής ενέργειας ετησίως. Η ISO-
ΝΕ έχει ενισχύσει αυτές τις αγορές, ιδίως το 2003, όταν ενέκρινε "Πρότυπο Σχέδιο Αγοράς"
(Standard Market Design-SMD). H SMD πρόσθεσε µεγέθη, όπως Αγορά-Επόµενης-Μέρας
(Day-Ahead-Market), για να εξασφαλιστεί η προστασία έναντι της αστάθειας των τιµών,
αλλά και η ακριβή τιµολόγηση (βάσει των σωστών µετρήσεων του πραγµατικού κόστος της
20
παραγωγής και διανοµής ρεύµατος σε κάθε σηµείο της περιοχής). Στους παρακάτω πίνακες
φαίνονται οι 10 ηµέρες µε την µεγαλύτερη ζήτηση ηλεκτρικής ισχύος από το 2005 και µετά.
Date Demand (MW)
Aug 2, 2006 28,13
Aug 1, 2006 27,467
Jul 18, 2006 27,329
Aug 3, 2006 27,118
Jul 6, 2010 27,1
Jul 27, 2005 26,885
Jul 19, 2005 26,736
Jul 17, 2006 26,721
July 7, 2010 26,494Aug 3, 2007 26,145
All Demand Days
Πίνακας 1: Οι 10 µέρες µε την µεγαλύτερη ζήτηση κατανάλωσης ενέργειας από το ISO-NE
Date Demand (MW)
Aug 13, 2005 24,065
Aug 14, 2005 22,688
Aug 25, 2007 22,523
Jul 29, 2006 22,507
Jun 26, 2005 22,393
Jul 16, 2006 22,373
Aug 4, 2007 22,323
Jun 25, 2005 21,945
Sept 8, 2007 21,867Aug 18, 2002 21,452
Weekend Demand Days
Πίνακας 2: Οι 10 µέρες Σ/Κ µε την µεγαλύτερη ζήτηση κατανάλωσης ενέργειας από το ISO-NE.
Μεταξύ 1999 και 2003, η Νέα Αγγλία εµφάνισε µια αύξηση 34%, ή περίπου 10.000
MW, σε νέες εγκαταστάσεις, βελτιώνοντας σηµαντικά την αξιοπιστία και καθιστώντας
δυνατό τον πραγµατικό ανταγωνισµό. Από την αρχή της χονδρικής αγοράς στη Νέα Αγγλία,
το 1999, τη διαθέσιµη παραγωγή αυξήθηκε από 81% έως 89%. Οι προµηθευτές έχουν
ανταποκριθεί στα οικονοµικά κίνητρα για την διατήρηση λειτουργίας των εγκαταστάσεων
τους όταν η ζήτηση είναι υψηλότερη και τον προγραµµατισµό της συντήρησης κατά τη
διάρκεια των εκτός αιχµής περιόδων, για µεγαλύτερη αποτελεσµατικότητα και µείωση του
κόστους κατανάλωσης ενέργειας.
Η συνεχής αστάθεια των τιµών του φυσικού αερίου και πετρελαίου (που τροφοδοτούν
µαζί πάνω από το 60% των µονάδων παραγωγής της περιοχής) διατηρεί τις χονδρικές τιµές
ηλεκτρικής ενέργειας υψηλές - µια τάση που αναµένεται να συνεχιστεί µέχρι να µειωθεί η
εξάρτησή της περιοχής από αυτούς τους ενεργειακούς πόρους.
Οι νέες µονάδες ηλεκτροπαραγωγής συνήθως χρησιµοποιούν την
αποτελεσµατικότερη τεχνολογία της καύσης του φυσικού αερίου και έτσι παράγουν
21
λιγότερους ρύπους. Ταυτόχρονα, η αξιοπιστία του συστήµατος δεν παραµείνει µόνο ισχυρή,
αλλά έχει βελτιωθεί10. Ωστόσο η ISO-NE συνεχίζει να βελτιώνει τις αγορές για την
περαιτέρω βελτίωση της αξιοπιστίας και της αποτελεσµατικότητας. Για παράδειγµα,
εργάζεται για την εξάλειψη των τεχνητών περιορισµών που προσθέτουν στο κόστος της
εισαγόµενης ή εξαγόµενης ηλεκτρικής ενέργειας από άλλες περιοχές, και βρίσκεται σε πλήρη
εξέλιξη η πρόσθεση νέων µηχανισµών αγοράς για την προώθηση επενδύσεων µε αναγκαίους
πόρους στις ενδεδειγµένες τοποθεσίες.
Μέση Ετήσια Τιµή Ενέργειας
2006 60.93$/MWh
2007 67.97$/MWh
2008 80.43$/MWh
2009 67.97$/MWh
Πίνακας 3: Μέσες ετήσιες τιµές κόστους ενέργειας για την περιοχή της Νέας Αγγλίας
Το 2005, Η FERC ορίζει την ISO-ΝΕ ως περιφερειακό οργανισµό διανοµής για την
περιοχή αυτή. Έτσι, ο ISO-ΝΕ συνεχίζει να εκπληρώνει τα καθήκοντά του, αλλά µε την
προσθήκη της εποπτείας της καθηµερινής λειτουργίας του συστήµατος µεταφοράς και της
διατήρησης της ανεξαρτησίας µεταξύ της διαχείρισης του δικτύου ηλεκτρικής ενέργειας και
της αγοράς της χονδρικής πώλησης.
1.2.4.2 Οι διασυνδέσεις του ISO-NE µε άλλα εξωτερικά δίκτυα
Το διασυνδεδεµένο δίκτυο της Νέας Αγγλίας έχει δυνατότητα ανταλλαγής ηλεκτρικής
ενέργειας µε τα εξής εξωτερικά διασυνδεδεµένα δίκτυα:
o Με την διασύνδεση µε την περιοχή της New Brunswick (µέσω του εξωτερικού
κόµβου 4010 Salbrynb).
o Με την διασύνδεση µε την περιοχή της Νέας Υόρκης (µέσω 3 εξωτερικών κόµβων: µε
τον κόµβο 4011 Roseton, µε τον κόµβο 4014 Shoreham (CrossSound Cable) και µε
τον κόµβο 4017 Northport)
10 Τα φώτα παρέµειναν σχεδόν σε όλα την περιοχή της Νέας Αγγλίας ανοιχτά κατά τη διάρκεια του ηλεκτρικού blackout τον
Αύγουστο του 2003.
22
o Με τις 2 διασυνδέσεις µε το δίκτυο του QUEBEC (1 διασύνδεση µε τον κόµβο 4012
HydroQuebec P1/P2 και 1 διασύνδεση µε τον κόµβο 4013 Highgate)
Η Εικόνα 14 δείχνει την ποσότητα ενέργειας που εισάχθηκε αλλά και εξάχθηκε στο
δίκτυο της ISO-NE κατά τη διάρκεια του 2009. Παρατηρούµε ότι σε κάποιες διασυνδέσεις
έχουµε µόνο εισαγωγές ενέργειας, σε κάποιες µόνο εξαγωγές ενώ σε άλλες και των 2 µορφών
ανταλλαγής ενέργειας.
Εικόνα 13: Εισαγωγές και εξαγωγές ενέργειας για το έτος 2009.
Από κάθε εξωτερική διασύνδεση λαµβάνουµε - όπως και είναι λογικό - διαφορετικές
τιµές αγοράς της ηλεκτρικής ενέργειας. Όπως βλέπουµε και από το παρακάτω διάγραµµα, η
τιµή αγοράς της ενέργειας από εισαγωγές επηρεάζει σε ποσοστό κοντά στο 5% της τελικής
τιµής της ηλεκτρικής ενέργειας.
23
Εικόνα 14: Ποσοστά εξάρτησης της διαµόρφωσης της day-ahead τιµής του ηλεκτρισµού από τους διάφορους
παράγοντες.
Την µεγαλύτερη επίδραση στην τιµή του ηλεκτρισµού την έχουν η ενεργειακή πηγή
από την οποία θα παράγουµε την απαιτούµενη ενέργεια αλλά και από την προσφορά
αύξησης11 (increment offer – inc). Ωστόσο η µικρή επίδραση της τιµή αγοράς της
εισαγόµενης ενέργειας στην τιµή πώλησης του ηλεκτρισµού είναι σηµαντική ώστε να
θελήσουµε, όσο δυνατόν γίνεται, την αύξηση του ηλεκτρισµού µε την µείωση της τιµής
αγοράς της εισαγόµενης ενέργειας.
Από την παρακάτω εικόνα, όπου φαίνονται οι τιµές αγοράς πραγµατικού χρόνου
(real-time price) του ηλεκτρισµού στις διάφορες ζώνες του ISO-NE, φαίνονται επίσης και οι
τιµές αγοράς της ηλεκτρικής ενέργειας από τις εισαγωγές, για κάθε µία από τις εξωτερικές
διασυνδέσεις. Είναι φανερό ότι σε πολλές περιπτώσεις (αν όχι σε όλες) είναι προτιµητέο από
το ISO-NE να εισάγει ενέργεια από το να την αγοράσει από τους τοπικούς παραγωγούς γιατί
έτσι µπορεί να πετύχει χαµηλότερες τιµές LMP12.
Εικόνα 15: Τιµές πώλησης (real-time price) ενέργειας για κάθε ζώνη του ISO-NE για την ηµεροµηνία 10-11-2009.
11 Μια οικονοµική προσφορά για την πώληση της ηλεκτρικής ενέργειας µε µια συγκεκριµένη µια-µέρα-µετά τιµή (day-ahead price) σε µια συγκεκριµένη χρ. στιγµή. 12 Ανάλυση αυτού του όρου στο κεφάλαιο 1.3.3.
24
Είναι λογικό λοιπόν να υπάρξει µια µέθοδος πρόβλεψης της ποσότητας ενέργειας που
θα χρειαστεί να εισάγει ο ISO-NE καθ’ όλη τη διάρκεια της ηµέρας ώστε να µπορούµε να
µειώσουµε ή να αυξήσουµε (ανάλογα τι είναι πιο προτιµητέο) την ποσότητα αυτής αλλά και
να µεταθέσουµε την χρονική στιγµή ζήτησης της ενέργειας αυτής.
Μειώνοντας ή αυξάνοντας την ποσότητα της απαιτούµενης εισαγόµενης ενέργειας,
µειώνουµε ή αυξάνουµε αναλόγως και το απαιτούµενο κόστος αγορά της, άρα και την
τιµή πώλησης της ηλεκτρικής ενέργειας σε κάθε ζώνη της Νέας Αγγλίας.
Μεταθέτοντας την χρονική στιγµή ζήτησης της εισαγόµενης ενέργειας µπορούµε να
πετύχουµε µια καλύτερη τιµή αγοράς της ενέργειας αυτής, από τη στιγµή που οι
αγοραπωλησίες ενέργειας µεταξύ των διασυνδεδεµένων συστηµάτων γίνεται µε βάση
τις day-ahead τιµές του ηλεκτρισµού αλλά και τις real-time τιµές. Αυτό το γεγονός
µπορεί να επιδράσει στο µέγεθος του increment offer, κάτι που θα µειώσει περαιτέρω
την τιµή πώλησης - ανά ζώνη περιοχής – του ηλεκτρισµού – κάτι που φαίνεται από
την Εικόνα 15.
Εικόνα 16: ∆ιακύµανσης της day-ahead τιµή πώλησης της εισαγόµενης ενέργειας µέσα στη διάρκεια της ηµέρας.
25
Εικόνα 17: ∆ιακύµανση της real-time τιµή πώλησης της εισαγόµενης ενέργειας κατά τη διάρκεια της ηµέρας.
Από τις παραπάνω εικόνες παρατηρούµε ότι η µεγαλύτερη απαίτηση για εισαγωγή
ηλεκτρικής ενέργειας συµβαίνει κυρίως τις πρωινές ώρες (από τις 3 π.µ. µέχρι τις 11 π.µ.).
Αυτό πιθανόν οφείλεται στην αδυναµία παραγωγής ηλεκτρικής ενέργειας από τους τοπικούς
παραγωγούς, είτε λόγω έλλειψης καλού προγραµµατισµού ή λόγω του εργασιακού ωραρίου
της κάθε µονάδας παραγωγής ή ακόµα και λόγω έλλειψης του ενεργειακού πόρου. Έχοντας
αυτά τα στοιχεία στην διάθεση µας, και προσπαθώντας να δοµήσουµε ένα µοντέλο
πρόβλεψης της εισαγόµενης ενέργειας, θα έχουµε την δυνατότητα ελέγχου του ποσού της
ενέργειας που θα εισάγεται και έτσι θα ελέγχουµε εµµέσως και την χονδρική αγορά του
ηλεκτρισµού.
1.3 Η Αγορά της Ηλεκτρικής Ενέργειας – Παρόν και Μέλλον
Το χρηµατιστήριο της ηλεκτρικής ενέργειας είναι ένα σύστηµα για την
πραγµατοποίηση αγορών και πωλήσεων (µέσω προσφορών) και βραχυπρόθεσµων
συναλλαγών, υπό τη µορφή οικονοµικών συναλλαγών. Οι συναλλαγές χονδρικής
(διαγωνισµούς-bids και προσφορές-offers) στην ηλεκτρική ενέργεια συνήθως εκκαθαρίζονται
και διακανονίζονται από τον φορέα εκµετάλλευσης αυτής της αγοράς ή µια ανεξάρτητη αρχή
ειδικού σκοπού που χρεώνεται αποκλειστικά µε τη λειτουργία αυτή. Οι διαχειριστές αγοράς
δεν εκκαθαρίζουν τις συναλλαγές, αλλά συχνά απαιτεί γνώση των συναλλαγών αυτών
προκειµένου να διατηρηθεί η παραγωγή και το φορτίο του συστήµατος σε ισορροπία.
Τα εµπορεύµατα στο πλαίσιο µιας αγοράς ηλεκτρισµού είναι 2 ειδών: Ενέργεια και
Ισχύς. Η Ισχύς είναι η µετρήσιµη καθαρή ηλεκτρική ισχύ σε µια γεννήτρια σε κάθε δεδοµένη
26
στιγµή και µετράται σε µεγαβάτ (MW). Η Ενέργεια είναι το ηλεκτρικό ρεύµα που ρέει µέσω
ενός µετρητή για ένα συγκεκριµένο χρονικό διάστηµα και µετριέται σε µεγαβατώρες (MWh).
Η συνεχής αύξηση της ζήτησης της ενέργειας αλλά και η ανάπτυξη του ανταγωνισµού
των εταιρειών παραγωγής της ενέργειας οδήγησε στην απελευθέρωση της αγοράς ενέργειας
και στην µετατροπή του από εθνικό µονοπώλιο σε ένα χρηµατιστήριο ηλεκτρικής ενέργειας
όπου οι καθηµερινές συναλλαγές που πραγµατοποιούνται επηρεάζουν την τιµή πώλησης της
ηλεκτρικής ενέργειας στους πελάτες/καταναλωτές.
Η αγορά της ενέργειας µπορεί να αναπτυχθεί υπό τη µορφή 2 ειδών: του
χρηµατιστηρίου και της κοινοπραξίας.
Στο χρηµατιστήριο ενέργειας οι συναλλαγές γίνονται µε απλές προσφορές µεταξύ
ποσότητας και τιµής (δλδ Q [MWh] – π €/MWh]. Υπάρχει µια απλότητα αλλά και διαφάνεια
των συναλλαγών και η συµµετοχή είναι πάντα προαιρετική.
Στην κοινοπραξία οι συναλλαγές είναι πιο πολύπλοκες και οι προσφορές είναι πιο
σύνθετες (εµπλέκονται µεγέθη όπως κόστος εκκίνησης, περιορισµοί κτλ). Η διαδικασία
υπολογισµού τιµής είναι πολύπλοκη και πρέπει σε καθηµερινή βάση να συντάσσεται ένα
πρόγραµµα ένταξης µονάδων. Πραγµατοποιείται σύγχρονη εκκαθάριση αγορών ενέργειας και
εφεδρειών, υπάρχουν περιορισµοί µεταξύ των µονάδων παραγωγής και του συστήµατος
µεταφοράς ενέργειας. Επιπλέον, προβλέπονται αποζηµιώσεις για τις µονάδες παραγωγής που
λειτουργούν µε ζηµιά στον ΗΕΠ λόγω περιορισµών και η συµµετοχή των παραγωγών και
των χονδρεµπόρων είναι υποχρεωτική.
1.3.1 Η ιστορία της απελευθέρωσης της αγοράς της ηλεκτρικής ενέργειας
Η πρώτη εισαγωγή των εννοιών της ιδιωτικοποίησης και της απελευθέρωσης στην
αγορά ενέργειας στα συστήµατα ηλεκτρικής ενέργειας πραγµατοποιήθηκε στη Χιλή στις
αρχές της δεκαετίας του 1980, παράλληλα µε άλλες µεταρρυθµίσεις σε σχέση µε την αγορά
που συνδέονται µε το Chicago Boys13. Το Χιλιανό µοντέλο θεωρήθηκε πετυχηµένο όσο
αφορά την ορθολογικότητα και την διαφάνεια στην τιµολόγηση πολιτική του, αλλά
επηρεαζόταν από τη κυριαρχία των εµπλεκόµενων προσώπων και υπέφερε από διάφορα
δοµικά προβλήµατα. Η Αργεντινή βελτίωσε το Χιλιανό πρότυπο µε την επιβολή των
συγκεκριµένων ορίων συγκέντρωση της αγοράς και µε τη βελτίωση της δοµής των
πληρωµών στις µονάδες εφεδρείας για να βεβαιώσει την αξιοπιστία των συστηµάτων. Ένας
από τους κύριους σκοπούς της απελευθέρωσης της αγοράς στην Αργεντινή ήταν να
ιδιωτικοποιηθούν τα υπάρχοντα συστήµατα παραγωγής (που είχαν περιέλθει στην ερείπωση
κάτω από το κρατικό µονοπώλιο, µε συνέπεια τις συχνές διακοπές των υπηρεσιών) και για να
13 Μια οµάδα Χιλιανών οικονοµολόγων που εκπαιδευτήκαν υπό τη χρηµατοδότηση της κυβέρνησης των ΗΠΑ µε σκοπό την διαµόρφωση µια νέας οικονοµικής πολιτικής στη Χιλή.
27
προσελκύσουν το απαιτούµενο κεφάλαιο για την αποκατάσταση εκείνων των στοιχείων και
για την επέκταση των υπαρχόντων συστηµάτων.
Ένα κοµβικό σηµείο για την αγορά της ηλεκτρικής ενέργειας σηµειώθηκε το 1990
όταν το Ηνωµένο Βασίλειο ιδιωτικοποίησε την παραγωγή της ηλεκτρικής ενέργειας. Η
διαδικασία που ακολουθήθηκε από τους Βρετανούς στη συνέχεια χρησιµοποιήθηκε ως
πρότυπο για την απελευθέρωση πολλών άλλων χωρών της Κοινοπολιτείας. Ωστόσο, σε
πολλές από αυτές τις άλλες περιπτώσεις, η απελευθέρωση της αγοράς έγινε χωρίς τη
γενικευµένη ιδιωτικοποίηση που χαρακτήριζε το παράδειγµα του Ηνωµένου Βασιλείου.
Στις ΗΠΑ, το παραδοσιακό µοντέλο της κάθετα ολοκληρωµένης ηλεκτρικής
εταιρείας, µε ένα σύστηµα διανοµής ενέργειας, που προορίζονται για να εξυπηρετήσει τους
πελάτες του λειτούργησε εξαιρετικά επί δεκαετίες. Όσο η εξάρτηση από µια αξιόπιστη
παροχή ηλεκτρικής ενέργειας αυξήθηκε και η ηλεκτρική ενέργεια άρχισε να µεταφέρεται σε
όλο και µεγαλύτερες αποστάσεις, οι διασυνδέσεις µεταξύ των συστηµάτων αναπτυχθήκαν.
Ωστόσο, οι συναλλαγές ήταν σχετικά λίγες και προγραµµατισµένες εκ των προτέρων. Κατά
την τελευταία δεκαετία του 20ου αιώνα, κάποιοι φορείς χάραξης της πολιτικής των ΗΠΑ και
ακαδηµαϊκοί προέβλεπαν ότι η βιοµηχανία ηλεκτροπαραγωγής θα απορρυθµιστεί και έτσι
ιδρύθηκαν οι Ανεξάρτητοι ∆ιαχειριστές των Συστηµάτων Μεταφοράς (ISOs), καθώς και οι
Περιφερειακοί ∆ιαχειριστές των Συστηµάτων (RTOs).
Οι βασικές έννοιες που αφορούν την απελευθέρωση της αγοράς του ηλεκτρισµού:
διαχωρισµός των ανταγωνιστικών λειτουργιών της παραγωγής και λιανικής πώλησης από το
φυσικό µονοπώλιο της µεταφοράς και της διανοµής και καθιέρωση µιας χονδρικής αγοράς
της ηλεκτρικής ενέργειας και λιανικής αγοράς ηλεκτρικής ενέργειας. Ο ρόλος της χονδρικής
αγοράς είναι να επιτραπεί το εµπόριο µεταξύ των παραγωγών, τους λιανοπωλητές και άλλους
ενδιάµεσους χρηµατοπιστωτικούς οργανισµούς τόσο για τη βραχυπρόθεσµη παροχή
ηλεκτρικής ενέργειας και για τις µελλοντικές περιόδους παράδοσης.
Η αγορά του ηλεκτρισµού είναι µια ιδιότυπη αγορά λόγω της αδυναµίας αποθήκευσης
του ηλεκτρισµού και της απαίτησης κάλυψης της ζήτησης της κατανάλωσης ανά πάσα
χρονική στιγµή. Συνεπώς, υπάρχει µια φυσική προϋπόθεση για τον διαχειριστή του
συστήµατος µεταφοράς να συντονίσει την αποστολή των µονάδων παραγωγής για να
καλυφθεί η αναµενόµενη ζήτηση του συστήµατος σε όλο το δίκτυο µεταφοράς. Επιπλέον, οι
νόµοι της φυσικής καθορίζουν τον τρόπο ροής της ηλεκτρικής ενέργειας µέσω ενός δικτύου
του ηλεκτρικού ρεύµατος. Εξ ου και οι απώλειες µετάδοσης της ενέργειας και το επίπεδο της
κυκλοφοριακής συµφόρησης σε οποιοδήποτε συγκεκριµένο κλάδο του δικτύου επηρεάζει την
οικονοµική αποστολή των µονάδων ηλεκτροπαραγωγής. Το πεδίο εφαρµογής της κάθε
αγοράς ηλεκτρικής ενέργειας αποτελείται από το δίκτυο µεταφοράς της ενέργειας, τους
χονδρεµπόρους, τους λιανοπωλητές και τους τελικούς καταναλωτές, σε κάθε γεωγραφική
περιοχή. Οι αγορές µπορεί να παραταθεί πέραν των εθνικών συνόρων (π.χ. το Ευρωπαϊκό
Χρηµατιστήριο της Ενέργειας).
Κατά κύριο λόγο, η εµπειρία στην εισαγωγή του χονδρικού και λιανικού
ανταγωνισµού ήταν µεικτή. Πολλές περιφερειακές αγορές έχουν σηµειώσει κάποια επιτυχία.
Ωστόσο, το 2000/2001 διαφορά γεγονότα, όπως η κρίση της ηλεκτρικής ενέργειας στην
28
Καλιφόρνια και την κατάρρευση της Enron, οδήγησε σε επιβράδυνση του ρυθµού των
αλλαγών. Ωστόσο, η τάση αυτή θεωρείται ευρέως ως προσωρινή.
1.3.2 Η απελευθέρωση της αγοράς της ηλεκτρικής ενέργειας στην Ελλάδα
Στην Ελλάδα, η χονδρική αγορά του ηλεκτρισµού µπορεί να παραστεί γραφικά µε την
Εικόνα 18. Στον νόµο 655/200514, ορίζεται ο Κώδικας ∆ιαχείρισης Συστήµατος και
Συναλλαγών Ηλεκτρικής Ενέργειας που αναλαµβάνει και το χονδρεµπόριο του ηλεκτρισµού.
Στο µέλλον πιθανόν να υπάρξει µια αγορά ηλεκτρισµού στο πρότυπο των ήδη περιφερειακών
αγορών που υπάρχουν στις ΗΠΑ.
Βάση του παραπάνω νόµου, ο κάθε ιδιωτικός ή µη παραγωγός ηλεκτρισµού συνάπτει
Συµβάσεις ∆ιαθεσιµότητας Ισχύος (Σ∆Ι) µε τους Προµηθευτές ώστε οι συµβάσεις αυτές να
ικανοποιούν τα φορτία των πελατών τους επαυξηµένα κατά ένα ποσό εφεδρείας. Οι
Παραγωγοί για να συνάψουν Σ∆Ι µε τους Προµηθευτές υποχρεούνται να κατέχουν την
απαραίτητη εγκαταστηµένη ισχύ που αποδεικνύεται µε την κατοχή Αποδεικτικών
∆ιαθεσιµότητας Ισχύος (Α∆Ι) για να παρέχουν την συµβατική ισχύ. Μέσω των Σ∆Ι οι
Προµηθευτές εκτός από την σύµβαση ισχύος έχουν την δυνατότητα να συνάψουν και
σύµβαση διαφορών µε τους Παραγωγούς έτσι ώστε να εξασφαλίσουν ικανοποιητική για
αυτούς τιµή πλαφόν αγοράς ενέργειας από την χονδρεµπορική, στοιχείο απαραίτητο για την
πολιτική πωλήσεων που θα ακολουθήσουν.
Εικόνα 18: Η χονδρική αγορά του ηλεκτρισµού στην Ελλάδα.
Μέσω του Ηµερήσιου Ενεργειακού Προγραµµατισµού (ΗΕΠ) – το οποίο
οργανώνεται ως κοινοπραξία, καθορίζεται οι µονάδες ηλεκτροπαραγωγής που θα ενταχθούν
14 Ο νόµος αυτός έχει τροποποιηθεί ήδη 6 φορές (30-6-06, 30-3-07, 6-9-07, 23-1-08, 21-5-08).
29
στο σύστηµα ώστε να υπάρχει διαθέσιµη η απαιτούµενη ενέργεια προς κατανάλωση. Στον
ΗΕΠ πραγµατοποιείται η αγορά της επόµενης µέρας (day-ahead market) η οποία είναι µια
προθεσµιακή αγορά ενέργειας για φυσική παράδοση την επόµενη µέρα (σε συγκεκριµένη
ώρα - «ώρα κατανοµής»).
Η λειτουργία της απελευθερωµένης αγοράς της ηλεκτρικής ενέργειας στο µέλλον θα
προσφέρει σηµαντικά αποτελέσµατα που αφορούν στον καθορισµό της Οριακή Τιµής του
Συστήµατος15 (ΟΤΣ). Ήδη έχει σηµειωθεί σηµαντική µείωση της ΟΤΣ το 2009 σε σχέση µε
το 2008: 1) λόγω των πρόσθετων εγχύσεων από µονάδες (συνήθως ΥΗΣ) που κατανέµονται
στο τεχνικό τους ελάχιστο για παροχή εφεδρειών (δεν ορίζουν την ΟΤΣ), 2) λόγω της
µείωσης του φορτίου λόγω ύφεσης, 3) λόγω της αύξησης της καθαρής ικανότητας µεταφοράς
(NTC) για εισαγωγές από τις διασυνδέσεις, 4) λόγω της µείωσης διεθνών τιµών πετρελαίου
και φυσικού αερίου. Ωστόσο στο µέλλον µπορεί να παρατηρηθεί αύξηση του ΟΤΣ (σε ειδικές
συνθήκες) λόγω του συνυπολογισµού των εφεδρειών στον ΗΕΠ, ο οποίος µπορεί να ωθήσει
τις τιµές προς τα πάνω σε συνθήκες εξαιρετικά µειωµένου παραγωγικού δυναµικού.
1.3.3 Η αγορά της Ηλεκτρικής Ενέργειας στην Νέα Αγγλία
Η αγορά ηλεκτρισµού που ισχύει στην περιοχή της Νέας Αγγλίας είναι µια χονδρική
αγορά, η οποία έχει θεωρηθεί ως πρωτοπόρα εξαιτίας της δυνατότητας χονδρικής
τιµολόγησης του ηλεκτρισµού όχι µόνο στους λιανοπωλητές αλλά και στους τελικούς
καταναλωτές. Οι µεγάλοι καταναλωτές που επιδιώκουν να µειώσουν τα περιττά ενεργειακά
τους έξοδα αρχίζουν να αναγνωρίζουν τα πλεονεκτήµατα µιας τέτοιας κίνησης.
Η αγορά αυτή βασίζεται στο µοντέλου που προτάθηκε από τον καθηγητή του Harvard
William Hogan όπου τα βασικά γνωρίσµατα της είναι ότι:
• Βασίζεται στην προσφορά
• Περιορισµένη λόγω ασφαλείας,
• Πραγµατοποίηση οικονοµικών αποστολών βάση τις κοµβικές τιµές (nodal prices)
Η τιµή του συστήµατος στην day-ahead αγορά καθορίζεται από την εναρµόνιση των
προσφορών από τους φορείς ηλεκτροπαραγωγής στους καταναλωτές σε κάθε κόµβο για την
ανάπτυξη µιας κλασικής τιµής ισορροπίας µεταξύ προσφοράς και ζήτησης τιµή ισορροπίας,
συνήθως σε ωριαία διαστήµατα, και υπολογίζεται χωριστά για τις υπό-περιοχές στις οποίες το
µοντέλου της ροής φορτίου του φορέα εκµετάλλευσης του δικτύου δείχνει ότι θα υπάρξουν
περιορισµοί στην εισαγωγή νέων µονάδων.
15 Οριακή Τιµή του Συστήµατος είναι η τιµή προσφοράς της τελευταίας µονάδας που µπαίνει στο σύστηµα στην ηµερήσια αγορά της Ενέργειας. Βάση αυτής της τιµής προσφοράς γίνονται όλες οι οικονοµικές εκκαθαρίσεις που αφορούν την τιµολόγηση της τιµής πώλησης του ρεύµατος.
30
Οι θεωρητικές τιµές του ηλεκτρισµού σε κάθε κόµβο του δικτύου είναι µια
υπολογισµένη «τιµή-σκιά», στη οποία υποτίθεται ότι κάθε επιπλέον kWh έχει ζήτηση στον
συγκεκριµένο κόµβο. Το υποτιθέµενο οριακό κόστος συστήµατος που θα προέκυπτε από τη
βελτιστοποιηµένη επαναποστολή των διαθέσιµων µονάδων θεσπίζεται ως το υποθετικό
κόστος παραγωγής των υποθετικών kWh. Αυτό είναι γνωστό ως περιφερειακή οριακή τιµή
(Locational Marginal Pricing - LMP). Στην πραγµατικότητα, ο αλγόριθµος για την
βελτιστοποίηση της LMP εφαρµόζεται, µε ενσωµατωµένους περιορισµούς που αφορούν την
ασφάλεια του συστήµατος και τον υπολογισµό του ελάχιστου κόστος αποστολής (dispatch
cost) ώστε να υπάρξει ο επαρκής εφοδιασµός από τους παραγωγούς που υπέβαλαν
προσφορές στην day-ahead αγορά, ώστε να καλυφθεί η ζήτηση µε βάση τις προσφορές
φορτίου για κάθε κοµβικό σηµείο του δικτύου.
Εικόνα 19: Πρόβλεψη της τιµής χωρητικότητας για τα διάφορα ISO των ΗΠΑ.
Εν ολίγοις και µε απλά λόγια, η διαδικασία αγοραπωλησίας του ηλεκτρισµού στην
αγορά της ISO-NE είναι η εξής: Για κάθε ώρα κάθε ηµέρας, οι επιχειρήσεις ηλεκτρισµού
κοινής ωφέλειας και οι ανταγωνιστικοί προµηθευτές προβλέπουν την ζήτηση κατανάλωσης
των πελατών, και δίνουν προσφορές µέσω του ∆ιαδικτύου για την αγορά ισχύος σε χονδρική
τιµή σε µια διευκρινισµένη τιµή ανά µονάδα της παραγωγής σε MWh. Οµοίως, οι παραγωγοί
ηλεκτρικής ενέργειας προσφέρουν στη ‘δηµοπρασία’ την παραγωγή ενός συγκεκριµένου
ποσού ηλεκτρικής ενέργειας σε µια διευκρινισµένη τιµή ανά MWh. Το σηµείο όπου η
συνολική ζήτηση ισοδυναµεί µε την συνολική παραγωγή καθορίζει τις ανάγκες παραγωγής
κάθε ώρας και την χονδρική τιµή εκκαθάρισης. Όλοι οι παραγωγοί που προσφέρουν την
παραγωγή τους σε ή κάτω από την τιµή εκκαθάρισης προγραµµατίζονται για να παραγάγουν
ισχύς ώστε να κερδίσουν την τιµή εκκαθάρισης για την παραγωγή τους. Οι αγορές
λειτουργούν µια ηµέρα πριν από κάθε µέρα και πάλι σε πραγµατικό χρόνο ώστε να
προσαρµοστούν σε οποιεσδήποτε αλλαγές στην προσφορά και τη ζήτηση. Οι χονδρικές τιµές
ζήτησης και παραγωγής της ηλεκτρικής ενέργειας µπορούν να αυξοµειωθούν ανάλογα τον
καιρό, τη χρονική στιγµή, και τις οικονοµικές καταστάσεις. Το τέλος «τακτοποίησης» του
ISO εξυπηρετεί τις επιχειρήσεις κοινής ωφελείας για να µπορούν να αγοράζουν ισχύς, και το
τέλος αυτό αποδίδεται στους παραγωγούς.
31
Εάν η κατανάλωση είναι µεγαλύτερη από την αναµενόµενη, ή µια µονάδα παραγωγής
– ή µια γραµµή µεταφοράς – βγει εκτός, ο ISO µπορεί να εισάγει ισχύς που κρατιέται σε
εφεδρεία ή να εισάγει ηλεκτρική ενέργεια από τις εξωτερικές διασυνδέσεις. Όταν η ζήτηση
είναι υψηλότερη, όπως το καλοκαίρι, οι εµπορικοί πελάτες µειώνουν τη χρήση της
ηλεκτρικής ενέργειάς τους ή θέτουν σε λειτουργία τις δικές τους γεννήτριές σε αντάλλαγµα
οικονοµικής αποζηµίωσης, ώστε να µειωθεί η γενική απαίτηση και οι χονδρικές τιµές του
ηλεκτρισµού. Κάτι παρόµοιο πιθανόν να κληθούν να κάνουν και οι απλοί καταναλωτές όταν
η ζήτηση είναι πολύ υψηλή.
Εικόνα 20: Εξάρτηση της τιµής του ηλεκτρισµού από διάφορες µεταβλητές.
Από την παραπάνω εικόνα παρατηρούµε ότι στην ενεργειακή αγορά της Νέας
Αγγλίας η τιµή της ηλεκτρικής ενέργειας αυξήθηκε το 2008 αλλά µειώθηκε αισθητά το 2009
κυρίως λόγω της µείωσης της κατανάλωσης ενέργειας. Άλλοι παράγοντες που διαµορφώνουν
την τιµή ηλεκτρισµού είναι η χωρητικότητα του συστήµατος, η καθηµερινή αξιοπιστία του,
οι ανάγκες εφεδρείας κ.α.
Όπως είδαµε και προηγουµένως στην Εικόνα 14, οι εισαγωγές ενέργειας από τις
εξωτερικές διασυνδέσεις του ISO-NE επιδρούν κατά ένα µικρό ποσοστό (περίπου της τάξεως
του 5%) στην διαµόρφωση της day-ahead τιµής της αγοράς. Αυτό σηµαίνει ότι επιδρά στις
αγοραπωλησίες που λαµβάνουν χώρα στην χονδρική αγορά, άρα εµµέσως επιδρά και στην
τιµή πώλησης του ηλεκτρισµού στους καταναλωτές. Η χρησιµότητα λοιπόν της πρόβλεψης
της εισαγόµενης ενέργειας είναι πλέον εµφανή.
32
2. Προηγούµενες Εφαρµογές Πρόβλεψης της Ηλεκτρικής Ενέργειας
2.1 Ανασκόπηση Μεθοδολογιών Πρόβλεψη της Τιµής της Ηλεκτρικής
Ενέργειας
Οι πρώτες µελέτες που έγιναν σχετικές µε την ηλεκτρική ενέργεια αφορούσαν την
πρόβλεψη φορτίου. Με τη µαζική χρήση της ηλεκτρικής ενέργειας από τις βιοµηχανίες, η
πρόβλεψη της τιµής έγινε αναγκαία. Η πολυπλοκότητα, στη χρήση, ορισµένων µοντέλων
πρόβλεψης τα καθιστά απαγορευτικά για το ευρύ κοινό (π.χ., µοντέλα προσοµοίωσης), από
την άλλη, ορισµένα µοντέλα χρησιµοποιούν απλοϊκές µεθόδους πρόβλεψης, µε µη
ικανοποιητικά αποτελέσµατα. Τα νευρωνικά δίκτυα ωστόσο, είναι ένα εύχρηστο εργαλείο το
οποίο παρουσιάζει και ικανοποιητικά αποτελέσµατα στην πρόβλεψη της τιµής της
ηλεκτρικής ενέργειας.
Η ακρίβεια της πρόβλεψης ανέκαθεν ήταν ένα µεγάλο ερωτηµατικό στη χρήση
διαφόρων µοντέλων πρόβλεψης. Η τιµή της ηλεκτρικής ενέργειας επηρεάζεται από πολλούς
φυσικούς παράγοντες που ή είναι δύσκολο να παραµετροποιηθούν ή ακόµα και αδύνατο.
Έτσι, ενώ ένα µοντέλο πρόβλεψης παράγει ικανοποιητικά αποτελέσµατα για µεγάλο χρονικό
διάστηµα, κάποια χρονική στιγµή µπορεί να παρουσιάσει µεγάλες αποκλίσεις.
Μελετώντας ιστορικά δεδοµένα τιµών, σε απελευθερωµένες αγορές ηλεκτρικής
ενέργειας, παρατηρείτε το φαινόµενο των ‘αιχµηρών τιµών’ (price spikes). ∆ηλαδή, η τιµή
της ηλεκτρικής ενέργειας για µικρή χρονική περίοδο παρουσιάζει πολύ µεγάλες τιµές,
δεκαπλάσιες, µερικές φορές και εκατονταπλάσιες από την τιµή της προηγούµενης ώρας.
Τέτοια φαινόµενα είναι δύσκολο να προβλεφθούν.
Έχουν αναπτυχθεί διαφορετικά µοντέλα για την επίτευξη ακρίβειας στην πρόβλεψη του
φορτίου. Μεταξύ των µοντέλων αυτών είναι η παλινδρόµηση, οι στατιστικές µέθοδοι, οι µέθοδοι
του χώρου κατάστασης, τα µοντέλα ARIMA, τα µοντέλα προσοµοίωσης, τα τεχνητά νευρωνικά
δίκτυα και άλλα. Βασικό χαρακτηριστικό όλων των παραπάνω είναι η ικανότητα του µοντέλου να
παρακολουθεί τη συµπεριφορά της αγοράς σε ηµέρες που δεν παρουσιάζουν µεγάλη
περιοδικότητα. Στη συνέχεια αναφέρονται χαρακτηριστικά ορισµένων βασικών µοντέλων.
Τα µοντέλα απόκλισης εξαρτηµένης στατιστικής µεταβλητής, συνήθως θεωρούν ότι η
ΟΤΣ µπορεί να διαιρεθεί σε ένα πρότυπο στοιχείο ΟΤΣ και σε ένα στοιχείο γραµµικά εξαρτηµένο
από κάποιες επεξηγηµατικές µεταβλητές. Το µοντέλο αυτό γράφεται:
1
( ) ( ) * ( ) ( )n
i i
i
z t b t a y t tε=
= + +∑
όπου b(t) είναι η πρότυπη ΟΤΣ, ε(t) ένα στοιχείο του λευκού θορύβου και yi(t) οι ανεξάρτητες
επεξηγηµατικές µεταβλητές. Οι πιο τυπικές επεξηγηµατικές µεταβλητές είναι οι καιρικοί
παράγοντες.
Από τις πιο διαδεδοµένες κατηγορίες µοντέλων δυναµικών προβλέψεων είναι τα µοντέλα
στοχαστικών χρονοσειρών. Στην κατηγορία αυτή εντάσσονται τα µοντέλα ARMA (Auto-
Regressive Moving Average), τα µοντέλα ARIMA (Integrated Auto-Regressive Moving
33
Average), οι µέθοδοι Box-Jenkins, µοντέλα γραµµικών χρονοσειρών κ.τ.λ.. Το βασικό µοντέλο
ARIMA, γράφεται ως εξής:
( ) ( ) ( ) ( )dB z t B a tϕ θ∇ =
µε, z(t), t=1, 2, …, N η µοντελοποιηµένη χρονοσειρά
α(t), t=1, 2, …, N η ακολουθία λευκού θορύβου
φ(Β)=1-φ1Β-…-φ
pΒ
p
η AR πολυωνυµική παράµετρος
θ(Β)=1-θ1Β-…-θ
qΒ
q
η MA πολυωνυµική παράµετρος
Β είναι ο backward shift operator (Bn
(z(t))=z(t-n))
1B∇=− είναι ο backward difference operator'
Τέλος, τα µοντέλα χώρων κατάστασης, η ΟΤΣ στο χρόνο t µπορεί να γραφτεί:
( ) ( )Tz t c x t=
όπου,
( 1) ( ) ( ) ( )x t Ax t Bu t w t+ = + +
Το διάνυσµα κατάστασης στο χρόνο t είναι το x(t). Η u(t) είναι ένα διάνυσµα εισόδου
βασισµένο στη µεταβλητή καιρού, και η w(t) ένα διάνυσµα τυχαίων εισόδων λευκού θορύβου. Οι
πίνακες, Α, Β και το διάνυσµα c είναι σταθερές που λαµβάνονται. Υπάρχουν αρκετές παραλλαγές
του µοντέλου στη βιβλιογραφία. Στην πραγµατικότητα το βασικό µοντέλου χώρου κατάστασης
µπορεί να µετατραπεί σε µοντέλο ARIMA και αντιστρόφως. Έτσι δεν υπάρχει θεµελιώδης
διαφορά ανάµεσα στις ιδιότητες των δύο τύπων µοντέλων.
Πρέπει να τονιστεί ότι επιµέρους έρευνες για διάφορα µοντέλα πρόβλεψης παρουσιάζουν
πολύ καλά αποτελέσµατα ακόµη και για τις αγορές ηλεκτρικής ενέργειας.
2.2 Ανασκόπηση Μεθοδολογιών Πρόβλεψη της Κατανάλωσης της
Ηλεκτρικής Ενέργειας
Η συνεχής παρακολούθηση του φορτίου από την παραγωγή του συστήµατος είναι µία
βασική απαίτηση της λειτουργίας των συστηµάτων ηλεκτρικής ενέργειας.
Για τον έλεγχο και την οικονοµική λειτουργία του συστήµατος, η παρακολούθηση του
φορτίου από την παραγωγή, πρέπει να γίνεται συνεχώς και σε ένα µεγάλο φάσµα χρονικών
διαστηµάτων:
34
Σε διάστηµα δευτερολέπτων, όπου οι διακυµάνσεις του φορτίου είναι σχετικά µικρές
και τυχαίες, ο Αυτόµατος Έλεγχος Παραγωγής (ΑΕΠ) φροντίζει ώστε η παραγωγή
του συστήµατος να αντισταθµίζει τη ζήτηση του φορτίου.
Σε διαστήµατα µερικών λεπτών, όπου οι διακυµάνσεις του φορτίου είναι µεγαλύτερες,
η Οικονοµική Κατανοµή Φορτίου φροντίζει για την κατανοµή του συνολικού φορτίου
του συστήµατος στις ήδη ενταγµένες στο δίκτυο µονάδες κατά τον πλέον οικονοµικό
τρόπο.
Σε διαστήµατα µερικών ωρών ή και ηµερών, οι διακυµάνσεις του φορτίου είναι
ακόµη µεγαλύτερες. Η κάλυψη του φορτίου για τέτοια χρονικά διαστήµατα απαιτεί
την εκκίνηση ή την κράτηση µονάδων παραγωγής ή ανταλλαγή ισχύος µε τα
γειτονικά συστήµατα ηλεκτρικής ενέργειας.
Οι λειτουργίες βραχυπρόθεσµου προγραµµατισµού της παραγωγής φροντίζουν για
την κάλυψη του φορτίου για χρονικά διαστήµατα που κυµαίνονται από τις λίγες επόµενες
ώρες έως και την επόµενη εβδοµάδα. Για χρονικές περιόδους µηνών έως και πέντε χρόνων
γίνεται προγραµµατισµός καυσίµων, χρήσης υδάτινων πόρων, συντήρησης των µονάδων
κατά τρόπο που να εξασφαλίζεται η αξιόπιστη κάλυψη του φορτίου µε τις ήδη
εγκατεστηµένες στο δίκτυο µονάδες. Τέλος, για µεγάλα χρονικά διαστήµατα, µέχρι και τα 25
επόµενα χρόνια, γίνεται προγραµµατισµός ένταξης (εγκατάστασης) νέων µονάδων στο
σύστηµα, ώστε να καλυφθεί ενδεχόµενη αύξηση του φορτίου του συστήµατος.
Το κίνητρο για ακριβείς προβλέψεις ηλεκτρικού φορτίου βρίσκεται στη φύση του
ηλεκτρισµού ως ένα αγαθό και εµπορικό είδος. Ο ηλεκτρισµός δεν µπορεί να αποθηκευθεί,
κάτι το οποίο σηµαίνει ότι για µια ηλεκτρική χρήση η εκτίµηση της µελλοντικής απαίτησης
είναι απαραίτητη για τη διαχείριση της παραγωγής και αγοράς µε έναν οικονοµικό τρόπο.
Στην Ελλάδα αλλά και παγκοσµίως – όπως είδαµε εκτενέστερα προηγουµένως - η αγορά
ενέργειας έχει απελευθερωθεί, γεγονός που αυξάνει τον ανταγωνισµό.
Βλέπουµε, εποµένως, πόσο σηµαντική είναι η πρόβλεψη του ηλεκτρικού φορτίου, δλδ
της ζήτησης ηλεκτρικής ενέργειας, για διάφορους χρονικούς ορίζοντες, για τη σωστή και
καλύτερη τεχνοοικονοµικά διαχείριση και λειτουργία ενός συστήµατος ηλεκτρικής ενέργειας.
Υπάρχει, εποµένως, η ανάγκη για µία κατά το δυνατόν αξιόπιστη και - µε µικρές αποκλίσεις
από την πραγµατικότητα - πρόβλεψη του φορτίου, µε στόχο τα αποτελέσµατα αυτής να είναι
τα καλύτερα δυνατά ούτως ώστε να µπορούν να χρησιµοποιηθούν για το σχεδιασµό των
απαραίτητων ενεργειών που αφορούν τα συστήµατα ηλεκτρικής ενέργειας.
Οι µέθοδοι πρόβλεψης φορτίου µπορούν να χωριστούν σε πολύ βραχυπρόθεσµα,
βραχυπρόθεσµα, µεσοπρόθεσµα και µακροπρόθεσµα µοντέλα ανάλογα µε το χρονικό
διάστηµα. Σε πολύ βραχυπρόθεσµες προβλέψεις φορτίου ο προβλεπόµενος χρόνος µπορεί να
είναι ακόµη και µερικά λεπτά, ενώ σε µακροπρόθεσµες προβλέψεις µπορεί να είναι από
µερικά χρόνια έως και µερικές δεκαετίες.
` Ακόµη κι αν πολλές µέθοδοι πρόβλεψης έχουν ελεγχθεί και αποδειχθεί επιτυχείς,
καµία δεν έχει κατορθώσει να καθιερωθεί σαν µια ευρέως εφαρµοζόµενη µέθοδος. Ο λόγος
είναι ότι οι συνθήκες και οι απαιτήσεις της κάθε µεθόδου έχουν σηµαντική επίδραση στην
35
επιλογή της κατάλληλης µεθόδου. Τα αποτελέσµατα που έχουν παρουσιασθεί σε σχετική
βιβλιογραφία συνήθως δεν είναι άµεσα συγκρίσιµα µεταξύ τους.
Το προβλεπόµενο σύστηµα φορτίου είναι µια µη στάσιµη διαδικασία που αποτελείται
από χιλιάδες ξεχωριστά στοιχεία. Εποµένως, το εύρος των πιθανών προσεγγίσεων πρόβλεψης
είναι µεγάλο. Συνήθως, η µόνη δυνατότητα είναι να πάρουµε µια µακροσκοπική εικόνα του
προβλήµατος και να προσπαθήσουµε να µοντελοποιήσουµε το µελλοντικό φορτίο σαν µια
επανάληψη προηγούµενων συµπεριφορών. Αυτό αφήνει ανοικτό το πεδίο για πολύ
διαφορετικές λύσεις. Εξαιτίας της φύσης του φορτίου, η µόνη αντικειµενική µέθοδος για να
αξιολογήσουµε τις προσεγγίσεις είναι µέσω πειραµατικών αποδείξεων.
Υπάρχουν πολλοί τρόποι ταξινόµησης των προσεγγίσεων. Μία δυνατότητα είναι να
κατηγοριοποιήσουµε τα µοντέλα σε δύο βασικές κατηγορίες : time – of – day (µη δυναµικά
µοντέλα) και δυναµικά µοντέλα. Στα time – of – day µοντέλα το φορτίο εκφράζεται άµεσα ως
µια διακριτή χρονοσειρά αποτελούµενη από τις προβλεπόµενες τιµές για κάθε ώρα της
προβλεπόµενης περιόδου. Συχνά το φορτίο µοντελοποιείται σαν άθροισµα µιας σταθερής
καµπύλης φορτίου ( standard load curve – SLC ) και ενός υπόλοιπου. Τα δυναµικά µοντέλα,
από την άλλη πλευρά, αναγνωρίζουν το γεγονός ότι το φορτίο δεν είναι µόνο συνάρτηση του
χρόνου της ηµέρας, αλλά επιπλέον και της πιο πρόσφατης συµπεριφοράς του. Σε αυτά τα
µοντέλα, η πρόβλεψη είναι εποµένως τυπικά επαναλαµβανόµενη. Η πρόβλεψη για µια
συγκεκριµένη ώρα απαιτεί προβλέψεις για τις προηγούµενες ώρες.
Άλλες δυνατές ταξινοµήσεις των προσεγγίσεων είναι, για παράδειγµα, οι διαχωρισµοί
µεταξύ ντετερµινιστικών – στοχαστικών µοντέλων, συνολικού φορτίου – µοντέλα
καταναλωτών και αιχµή φορτίου – µοντέλο µορφής φορτίου [2,8].
Τα ντετερµινιστικά µοντέλα παρέχουν µόνο τις προβλεπόµενες τιµές και όχι µέτρηση
για το λάθος πρόβλεψης. Τα στοχαστικά µοντέλα, από την άλλη, παρέχουν την πρόβλεψη ως
αποτέλεσµα της στοχαστικής διαδικασίας. Αυτές επιτρέπουν υπολογισµούς στις στατιστικές
ιδιότητες του προβλεπόµενου λάθους (που φυσικά στηρίζονται στις προϋποθέσεις βάσει των
οποίων υλοποιήθηκε το µοντέλο).
Όλες οι εκτιµήσεις της µελέτης επικεντρώνονται στο συνολικό φορτίο. Προσπάθειες
έχουν γίνει επίσης προκειµένου να χωριστούν οι καταναλωτές σε κατηγορίες και να γίνει η
πρόβλεψη για κάθε κατηγορία χωριστά. Η πρόβλεψη για το συνολικό φορτίο γίνεται
προσθέτοντας τις προβλέψεις όλων των κατηγοριών. Το πρόβληµα είναι η πολλή δουλειά που
χρειάζεται για να πραγµατοποιηθούν επαρκή µοντέλα για κάθε κατηγορία.
Ο διαχωρισµός µεταξύ µοντέλων αιχµής φορτίου και µοντέλων µορφής φορτίου είναι
αρκετά θεµελιώδης. Τα µοντέλα αιχµής φορτίου προβλέπουν µόνο το ηµερήσιο µέγιστο
φορτίο και τα µοντέλα µορφής φορτίου προβλέπουν τιµές φορτίου για όλες τις ώρες (ή
µισάωρα). Αυτή η µελέτη επικεντρώνεται στα µοντέλα µορφής φορτίου.
Παρακάτω αναφέρονται συντόµως µερικές από τα πιο δηµοφιλείς µεθόδους πάνω στη
πρόβλεψη του ηλεκτρικού φορτίου κατανάλωσης.
36
ΜΟΝΤΕΛΑ Τime – of – day
Στην απλούστερη µορφή, το µοντέλο Τime – of – day παίρνει το πραγµατικό πρότυπο
φορτίου της προηγούµενης βδοµάδας σαν ένα µοντέλο για να προβλέψει το φορτίο της
παρούσας εβδοµάδας. Εναλλακτικά, ένας αριθµός από πρότυπα φορτίου αποθηκεύεται για
τυπικές εβδοµάδες µε διαφορετικές καιρικές συνθήκες. Έπειτα, αυτές συνδυάζονται για να
δηµιουργηθεί πρόβλεψη.
Συνήθως , ένα µοντέλο Τime – of – day είναι της µορφής:
1
( ) ( ) ( )N
i i
i
z t a f t v t=
= +∑
Το φορτίο στο χρόνο t εκφράζεται σαν ένα σταθµικό άθροισµα αναλυτικών
συναρτήσεων χρόνου συνήθως ηµιτονοειδών µε περίοδο από 24 ή 168. Οι συντελεστές αi
είναι βραδέως µεταβαλλόµενες σταθερές, οι οποίες συνήθως υπολογίζονται µέσω µιας
γραµµικής απόκλισης ή µίας οµαλής εκθετικής συνάρτησης. Η διαµόρφωση λάθους v(t)
θεωρείται ότι είναι λευκός θόρυβος.
Η φασµατική αποσύνθεση (spectral decomposition) είναι ένα άλλο µοντέλο time–of–
day. Αυτό το µοντέλο έχει βασικά την ίδια µορφή µε την παραπάνω εξίσωση, αλλά οι
συναρτήσεις χρόνου fi(t) αντιπροσωπεύουν τις χαρακτηριστικές συναρτήσεις που
αντιστοιχούν στη συνάρτηση αυτοσυσχέτισης της χρονοσειράς του φορτίου. Αυτού του
είδους οι συναρτήσεις µπορούν αρχικά να αναπαραστήσουν τα τυχαία φορτία µε µεγαλύτερη
ακρίβεια από ότι οι αυθαίρετα επιλεγµένες συναρτήσεις χρόνου.
MONTEΛΑ ΑΠΟΚΛΙΣΗΣ ΕΞΑΡΤΗΜΕΝΗΣ ΣΤΑΤΙΣΤΙΚΗΣ ΜΕΤΑΒΛΗΤΗΣ
Τα µοντέλα αυτά συνήθως θεωρούν ότι το φορτίο µπορεί να διαιρεθεί σε ένα πρότυπο
στοιχείο φορτίου και σε ένα στοιχείο γραµµικά εξαρτηµένο από κάποιες επεξηγηµατικές
µεταβλητές. Αυτό το µοντέλο µπορεί να γραφεί :
1
( ) ( ) ( ) ( )n
i i
i
z t b t a y t tε=
= + +∑
Το b(t) είναι το πρότυπο φορτίο, ε(t) είναι ένα στοιχείο λευκού θορύβου και yi(t) οι
ανεξάρτητες επεξηγηµατικές µεταβλητές. Οι πιο τυπικές επεξηγηµατικές µεταβλητές είναι οι
καιρικοί παράγοντες.
Ένα τυπικό µοντέλο απόκλισης έχει χρησιµοποιηθεί από τους Rasanen and Ruusunen
(1992). Αυτοί µοντελοποίησαν διαφορετικές κατηγορίες καταναλωτών διαχωρίζοντας τα
µοντέλα απόκλισης. Το φορτίο διαχωρίζεται σε ένα στοιχείο ρυθµού και σε ένα στοιχείο που
εξαρτάται από τη θερµοκρασία. Το στοιχείο ρυθµού αντιστοιχεί στο στοιχείο µίας
συγκεκριµένης ώρας στη µέση θερµοκρασία της περιόδου µας.
37
Έχουν επίσης προταθεί παραλλαγές πιο πολύπλοκων µοντέλων. Μερικά µοντέλα
χρησιµοποιούν προγενέστερες τιµές φορτίου σαν επεξηγηµατικές µεταβλητές επιπρόσθετα
στις εξωτερικές µεταβλητές.
Τα µοντέλα απόκλισης είναι από τις παλαιότερες µεθόδους που έχουν προταθεί για
την πρόβλεψη φορτίου. ∆εν είναι τόσο ευαίσθητες σε περιστασιακές διαταραχές στις
µετρήσεις. Η εύκολη εφαρµογή τους είναι ένα άλλο πλεονέκτηµα. Η σειριακή συσχέτιση, η
οποία είναι συνήθης όταν χρησιµοποιούνται µοντέλα απόκλισης, µπορεί να προκαλέσει
προβλήµατα.
ΜΟΝΤΕΛΑ ΣΤΟΧΑΣΤΙΚΩΝ ΧΡΟΝΟΣΕΙΡΩΝ
Αυτή είναι µια πολύ διαδεδοµένη κατηγορία µοντέλων δυναµικών προβλέψεων.
Υπάρχουν πολλά καταµετρηµένα ονόµατα στη σχετική βιβλιογραφία για την κατηγορία αυτή,
όπως για παράδειγµα τα µοντέλα ΑRMA ( autoregressive-moving average), µοντέλα ARIMA
(integrated autoregressive-moving average), µεθόδους Box-Jenkins, µοντέλα γραµµικών
χρονοσειρών κ.ά. Μία γενική θεώρηση των µοντέλων αυτών µπορεί να βρεθεί π.χ. στους
Pindyck and Rubifeld (1991).
H βασική αρχή είναι ότι η χρονοσειρά του φορτίου πρέπει πρώτα να µετατραπεί σε
µια σε µια σταθερή χρονοσειρά µε την κατάλληλη διαφοροποίηση. Έπειτα, η εναποµένουσα
στατική σειρά µπορεί να φιλτραριστεί µέσα σε λευκό θόρυβο. Τα µοντέλα προϋποθέτουν ότι
οι ιδιότητες των χρονοσειρών παραµένουν αναλλοίωτες για την περίοδο που χρησιµοποιείται
στο µοντέλο εκτίµησης και όλες οι διαταραχές οφείλονται στο στοιχείο του λευκού θορύβου
που περιέχεται στη διαδικασία.
Για την µαθηµατική διατύπωση αυτών των µεθόδων έχει γίνει µια σύντοµη αναφορά
στο κεφάλαιο 2.1.
Το βασικό µοντέλο ARIMA δεν είναι από µόνο του κατάλληλο για να περιγράψει τις
χρονοσειρές φορτίου, καθώς οι σειρές φορτίου περιλαµβάνουν εποχιακές διακυµάνσεις.
Εποµένως, απαιτούνται διαφοροποιήσεις µέσα στην περίοδο των εποχικών διακυµάνσεων
(συνήθως 24 και 168). Το µοντέλο που αποκτούµε τότε ονοµάζεται εποχιακό ARIMA
(SARIMA) και µπορεί να γραφεί ως εξής:
( ) ( ) ( ) ( ) ( ) ( )S d D S
s s sB B z t B B a tφ ϕ ϑ θ∇ ∇ =
όπου (1 )D S D
sB∇ = − και S είναι η περίοδος της εποχιακής µεταβολής.
Μία εξωτερική µεταβλητή εισόδου, όπως η θερµοκρασία στην περίπτωση των
χρονοσειρών φορτίου, µπορεί να συµπεριληφθεί σε αυτό το µοντέλο. Αυτή η παραλλαγή του
µοντέλου ARIMA ονοµάζεται ARIMAX µοντέλο και µπορεί γενικά να γραφεί :
( ) ( ) ( ) ( ) ( ) ( )dB z t w B x t b B a tφ ϑ∇ = − +
όπου x(t) είναι η εξωτερική µεταβλητή στο χρόνο t
38
w(B) = w0 + w1B + w2B2 + w3 B
3 +...
Το µοντέλο ARIMA περιλαµβάνει και τα δύο, οι εποχιακές διακυµάνσεις και η
εξωτερική µεταβλητή ονοµάζεται συχνά µοντέλο SARIMAX.
Τα µοντέλα στοχαστικών χρονοσειρών έχουν πολλά ελκυστικά χαρακτηριστικά.
Πρώτον, η θεωρία των µοντέλων αυτών είναι αρκετά γνωστή και έπειτα είναι εύκολο να
καταλάβουµε πως υλοποιείται η πρόβλεψη. Τα χαρακτηριστικά του µοντέλου είναι εύκολο να
υπολογιστούν. Ο υπολογισµός της διαφοράς του λευκού θορύβου επιτρέπει να δηµιουργηθεί
ένα αίσθηµα εµπιστοσύνης για τις προβλέψεις. Η αναγνώριση του µοντέλου είναι σχετικά
εύκολη. Επίσης, είναι εφικτή η καθιέρωση των µεθόδων για διαγνωστικούς ελέγχους. Εξ’
άλλου, η εκτίµηση των παραµέτρων του µοντέλου είναι σαφής και η πραγµατοποίηση δεν
είναι δύσκολη.
Μία αδυναµία των στοχαστικών µοντέλων είναι η προσαρµοστικότητα. Στην
πραγµατικότητα, η συµπεριφορά του φορτίου µπορεί να αλλάξει γρήγορα σε συγκεκριµένα
τµήµατα του χρόνου. Ενώ στο µοντέλο ARIMA η πρόβλεψη για µια συγκεκριµένη ώρα είναι
αρχικά συνάρτηση όλων των προγενέστερων τιµών φορτίων, το µοντέλο δεν µπορεί να
προσαρµοστεί στις νέες συνθήκες πολύ γρήγορα, ακόµη και αν οι παράµετροι του µοντέλου
υπολογίζονται επαναληπτικά. Ένας παράγοντας ενθύµησης µπορεί να χρησιµοποιηθεί για να
δώσει περισσότερο βάρος στη πιο πρόσφατη συµπεριφορά κι έτσι να βελτιώσει την
προσαρµοστικότητα του µοντέλου.
Ένα άλλο πρόβληµα είναι ο χειρισµός ανώµαλων συνθηκών φορτίου. Εάν η
συµπεριφορά του φορτίου είναι αφύσικη σε µια συγκεκριµένη ηµέρα, αυτή η απόκλιση από
τις κανονικές συνθήκες θα ανακλαστεί στις µελλοντικές προβλέψεις. Μια δυνατή λύση στο
πρόβληµα αυτό είναι να αντικαταστήσουµε τις αφύσικες τιµές φορτίου στο ιστορικό των
φορτίων µε τις αντίστοιχες τιµές πρόβλεψης.
ΜΟΝΤΕΛΑ ΧΩΡΩΝ ΚΑΤΑΣΤΑΣΗΣ
(Βλ. Κεφάλαιο 2.1)
Υπάρχει ένας αριθµός παραλλαγών του µοντέλου. Στην πραγµατικότητα, το βασικό
µοντέλο χώρου κατάστασης µπορεί να µετατραπεί σε µοντέλο ARIMA και αντιστρόφως, και
έτσι δεν υπάρχει θεµελιώδης διαφορά ανάµεσα στις ιδιότητες των δύο τύπων µοντέλων.
Σύµφωνα µε τους Gross και Galiana (1987), ένα πιθανό πλεονέκτηµα απέναντι στα µοντέλα
ARIMA είναι η δυνατότητα να χρησιµοποιεί προκαταβολικά πληροφορίες στην εκτίµηση
παραµέτρων µέσω τεχνικών Bayesian.
ΕΞΕΙ∆ΙΚΕΥΜΕΝΑ ΣΥΣΤΗΜΑΤΑ
Τα εξειδικευµένα συστήµατα είναι µοντέλα που αναφέρονται σε µεθόδους
αυτοδιδαχής και είναι συνήθως ικανά να λάβουν υπόψη τόσο ποιοτικούς όσο και ποσοτικούς
παράγοντες. Πολλά µοντέλα αυτού του τύπου έχουν προταθεί από τα µέσα της δεκαετίας του
39
1980. Μία συνηθισµένη προσέγγιση είναι να προσπαθήσουµε να «αντιγράψουµε» τη λογική
ενός ανθρώπινου χειριστή. Η ιδέα είναι να µειώσουµε την αναλογική σκέψη πίσω από τη
διαισθητική προβλεψιµότητα σε τυπικά βήµατα λογικής.
Μία δυνατή µέθοδος για να δηµιουργήσει ένας ειδικός µία πρόβλεψη, είναι να
ερευνήσει τη βάση δεδοµένων για µια ηµέρα που αντιστοιχεί στην ηµέρα που µας ενδιαφέρει
σχετικά µε τον τύπο ηµέρας, τους κοινωνικούς και καιρικούς παράγοντες. Έπειτα, τιµές
φορτίου της ίδιας ηµέρας λαµβάνονται σαν βάση για την πρόβλεψη. Ένα εξειδικευµένο
µοντέλο µπορεί έτσι να γίνει µια αυτοµατοποιηµένη εκδοχή αυτού του είδους διαδικασίας
εύρεσης.
Από την άλλη πλευρά, το εξειδικευµένο σύστηµα µπορεί να αποτελεί µία πρότυπη
βάση καθοριστικών σχέσεων ανάµεσα σε εξωτερικούς παράγοντες και ηµερήσιες µορφές
φορτίου. Μία διαδεδοµένη προσέγγιση είναι να αναπτυχθούν πρότυπα στη βάση ασαφούς
λογικής (fuzzy logic). Τα ασαφή συστήµατα που αναπτύσσονται κατά αυτόν τον τρόπο έχουν
ως στόχο την µετατροπή µιας ακριβούς πληροφορίας σε συµβολική πληροφορία,
χρησιµοποιώντας γλωσσολογικά σύνολα (linguistic sets), σε µια διαδικασία που ονοµάζεται
ασαφοποίηση (περισσότερο στο επόµενο κεφάλαιο).
H προσέγγιση, σχετικά µε µεθόδους αυτοδιδαχής προς εντοπισµό λύσεων, κάνει τα
εξειδικευµένα συστήµατα ελκυστικά για τους χειριστές συστηµάτων. Το σύστηµα µπορεί να
παρέχει στο χρήστη τη γραµµή της λογικής ακολουθούµενη από το µοντέλο.
ΤΕΧΝHΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΝΕΥΡΩΝΙΚΑ ∆ΙΚΤΥΑ
Τα τελευταία χρόνια έχει αναπτυχθεί ένα πολύ µεγάλο ενδιαφέρον σχετικά µε την
εφαρµογή της τεχνητής νοηµοσύνης στη διαδικασία της βιοµηχανίας. Κύριο πλεονέκτηµα
τους αποτελεί το γεγονός ότι δεν απαιτείται περίπλοκη µαθηµατική σχηµατοποίηση ή
ποσοτική συσχέτιση µεταξύ των εισόδων και εξόδων ενός συστήµατος. Επίσης, δεν είναι
απαραίτητα τα δεδοµένα πολλών ετών. Έτσι, η ικανοποιητική απόδοση της τεχνητής
νοηµοσύνης έχει οδηγήσει σε επιτυχείς εφαρµογές σχετικά µε την βραχυπρόθεσµη πρόβλεψη
ηλεκτρικού φορτίου. Σαν αποτέλεσµα η αναγνώριση προτύπων, τα ειδικής γνώσης
συστήµατα (expert systems) και τα νευρωνικά δίκτυα (neural networks), έχουν προταθεί για
την πρόβλεψη του ηλεκτρικού φορτίου. Πιο δηµοφιλή όλων, είναι αναµφίβολα τα τεχνητά
νευρωνικά δίκτυα (artificial neural network-ANN - περισσότερα στο επόµενο κεφάλαιο).
40
3. Ασαφή λογική και Νευρωνικά ∆ίκτυα
3.1 Η Θεωρία της Ασαφούς Λογικής (Fuzzy Logic Theory)
Η ασαφής λογική (fuzzy logic) είναι µια επέκταση της κλασσικής αριστοτέλειας
λογικής. Μια πρόταση µπορεί να είναι αληθής "µε κάποιο βαθµό αληθείας", και όχι απλά
αληθής ή ψευδής. Με απλά λόγια, η ασαφής λογική λέει ότι τα πράγµατα συχνά δεν είναι
«άσπρο-µαύρο» αλλά «αποχρώσεις του γκρι». Η ιδέα αυτή απετέλεσε επανάσταση στη
θεωρία της λογικής, γιατί ξέφυγε από το µοντέλο που κυριαρχούσε εδώ και 2500 χρόνια,
δηλαδή το µοντέλο του «0-1», «αληθές-ψευδές». Στηρίζεται στη θεωρία των ασαφών
συνόλων που θεµελιώθηκε από τον L. A. Zadeh το 1965.
Ουσιαστικά αυτή η σχετικά νέα θεωρία χρησιµοποιεί την έννοια του βαθµού
συµµετοχής/αλήθειας (degrees of membership/truth) και όχι τον κάθετο διαχωρισµό αλήθεια-
ψεύδος και ασχολείται µε την ασάφεια (fuziness) της γνώσης (θεωρία δυνατοτήτων), όχι µε
την τυχαιότητά της (randomness) (θεωρία πιθανοτήτων).
Τα ασαφή συστήµατα µπορούν να λειτουργούν σε περιβάλλον ασάφειας και
αβεβαιότητας και δίνουν αποτελέσµατα που έχουν νόηµα για τον άνθρωπο. Πλησιάζουν
δηλαδή την ανθρώπινη λογική. Είναι ιδανικό εργαλείο για την λήψη αποφάσεων.
Χαρακτηριστικό πλεονέκτηµα της ασαφούς λογικής είναι ότι µπορεί και λειτουργεί, αλλά και
αναλύει, συστήµατα τα οποία είναι αρκετά πολύπλοκα.
Ένας ασαφές σύστηµα στην ουσία µπορεί να δηµιουργηθεί κατά τέτοιον τρόπο ώστε
να εµπεριέχει τις "ειδικές γνώσεις" που απαιτούνται για την εκτίµηση ενός αντικειµένου.
Ουσιαστικά η "ειδική γνώση" κωδικοποιείται µέσα στο σύστηµα ασαφούς λογικής. Για αυτό
το λόγο τα ασαφή συστήµατα λέγονται και «Έµπειρα συστήµατα» (Expert systems).
3.1.1 Ασαφή Σύνολα
Πως ακριβώς όµως ορίζεται µαθηµατικά ένα ασαφή σύνολο? Αρχικά ας ορίσουµε ένα
κλασικό σύνολο ώστε να δείξουµε την διαφορά µεταξύ της κλασικής και της ασαφής
λογικής.
• Ένα κλασσικό ή ξερό (crisp) σύνολο, έστω Α, ορίζεται µέσω της χαρακτηριστικής
συνάρτησης (characteristic function):
41
Όπου
και Χ ο κόσµος αναφοράς (universe of discourse) ή σύνολο αναφοράς και x ένα
στοιχείο του Χ.
• Ένα ασαφή σύνολο (fuzzy set), έστω Α, ορίζεται µέσω της συνάρτησης συµµετοχής
(membership function):
Όπου
Το µΑ (x) είναι ένας πραγµατικός αριθµός (0 ≤ µΑ (x) ≤1) που παριστάνει τον βαθµό
στον οποίο το x είναι στοιχείο του Α και ονοµάζεται βαθµός συµµετοχής (degree of
membership) ή βαθµός αλήθειας (degree of truth) ή τιµή συµµετοχής (membership
value). Σε περίπτωση συνεχών τιµών, το Α εκφράζεται σαν µια συνάρτηση (τυπικές
συναρτήσεις: sigmoid, gaussian, pi)
Στην πράξη η συνάρτηση συµµετοχής µπορεί να προέρχεται από:
• Υποκειµενικές εκτιµήσεις
• Προκαθορισµένες (ad hoc) και απλοποιηµένες µορφές
• Συχνότητες εµφανίσεων και πιθανότητες
• Φυσικές µετρήσεις
• ∆ιαδικασίες µάθησης και προσαρµογής (π.χ. µε νευρωνικά δίκτυα)
Η διαφορά των ασαφών συνόλων συγκριτικά µε την κλασσική θεωρία συνόλων είναι
ότι στην κλασσική θεωρία συνόλων ισχύει µΑ (x) ɛ 0,1, δηλαδή το x είτε ανήκει στο Α (µΑ
(x)=1 ) ή δεν ανήκει (µΑ (x)=0 ). Άρα η ασαφής θεωρία συνόλων µεταπίπτει στην αντίστοιχη
κλασσική, όταν οι δυνατές τιµές της συνάρτησης συµµετοχής είναι µόνο 0 ή 1.
Για να καταλάβουµε καλύτερα την διαφορά µεταξύ της κλασικής και της ασαφής
λογικής, αναφέρουµε το παρακάτω παράδειγµα: Στην Εικόνα 21 φαίνονται οι αληθές τιµές
των ηµερών που θεωρούµε ότι ανήκουν στο Σ/Κ, θεωρώντας ότι ο χρόνος παίρνει
διακεκριµένες τιµές, πρώτα µε Ναι-Όχι και µετά µε απαντήσεις της Ασαφής λογικής µε
ενδιάµεσες τιµές. Θεωρώντας τώρα ότι ο χρόνος παίρνει συνεχείς τιµές, πρώτα µε Boolean
Ναι-Όχι, και δίπλα µε απαντήσεις Ασαφούς Λογικής µε ενδιάµεσες τιµές. Τώρα καθορίζουµε
και το βαθµό στον οποίο κάθε στιγµή ανήκει το σαββατοκύριακο, αντί για ολόκληρη την
ηµέρα κάθε φορά.
42
Εικόνα 21: Ηµέρες που θεωρούµε ότι ανήκουν στο Σ/Κ.
3.1.2 Συναρτήσεις συµµετοχής για τα ασαφή σύνολα και συστήµατα
Οι απλούστερες συναρτήσεις συµµετοχής είναι αυτές που σχηµατίζονται από ευθείες
γραµµές. Η απλούστερη από αυτές είναι η τριγωνική συνάρτηση συµµετοχής, που δεν είναι
τίποτα άλλο από ένα τρίγωνο. Στην ίδια κατηγορία ανήκει και η τραπεζοειδής συνάρτηση
συµµετοχής (Εικόνα 20).
Ωστόσο, στις διάφορες εφαρµογές των ασαφών συνόλων χρησιµοποιείται η
γενικευµένη καµπανοειδής συνάρτηση συµµετοχής (µε µορφή καµπάνας) αλλά και η
γκαουσιανή (Εικόνα 21). Έχουν το πλεονέκτηµα να διατηρούν µη µηδενικές τιµές σε όλα τα
σηµεία.
Εικόνα 22: Τριγωνική και τραπεζοειδής συνάρτηση συµµετοχής.
43
Εικόνα 23: Γκαουσιανές και καµπανοειδής συνάρτησης συµµετοχής.
Παρά το γεγονός ότι η γκαουσιανή συνάρτηση συµµετοχής και η συνάρτηση
καµπάνας επιτυγχάνουν οµαλή διακύµανση δε µπορούν ωστόσο να ορίσουν ασύµµετρες
συναρτήσεις συµµετοχής που είναι χρήσιµες σε πολλά πρακτικά προβλήµατα. Για τον λόγο
αυτό χρησιµοποιείται η σιγµοειδής συνάρτηση συµµετοχής η οποία είναι ασύµµετρη και
ανοικτή και από τις 2 πλευρές. Κλειστές συναρτήσεις συµµετοχής αυτού του τύπου µπορούν
να παραχθούν αν συνθέσουµε δύο σιγµοειδείς. Έτσι προκύπτει η διαφορά µεταξύ δύο
σιγµοειδών και το άθροισµα τους (Εικόνα 22).
Εικόνα 24: Σιγµοειδής συναρτήσεις.
Επίσης υπάρχουν πολλές πολυωνυµικές καµπύλες (σχήµα 23) που τις χρησιµοποιούµε
σα συναρτήσεις συµµετοχής. Τρεις από αυτές είναι η Ζ η S και η Π οι οποίες έχουν
ονοµασθεί έτσι εξαιτίας του σχήµατός τους. Η Ζ είναι µια ασύµµετρη πολυωνυµική καµπύλη
που είναι ανοικτή στα αριστερά, η S είναι η κατοπτρική της Z και η Π είναι µια ασύµµετρη
κλειστή καµπύλη σχήµατος Π.
Εικόνα 25: Πολυωνυµικές συναρτήσεις.
44
3.1.3 Λογικές Πράξεις στα Ασαφή Σύνολα
Μέχρι τώρα έχουµε αναφερθεί στα ασαφή σύνολα και καθόλου στην ασαφή λογική.
Αν δηλαδή αποµονώσουµε τους ακραίους βαθµούς συµµετοχής 0 (πλήρως ψευδές) και 1
(πλήρως αληθές) τότε οι κλασσικοί λογικοί τελεστές µπορούν να εφαρµοσθούν. ∆ηλαδή, οι
κλασικοί λογικοί τελεστές - που παριστάνονται στο παρακάτω πίνακα – διατηρούν την
εφαρµογή τους και στην ασαφής λογική.
Πίνακας 4: Κλασικοί λογικοί τελεστές
Στον χώρο της ασαφούς λογικής, οι έννοιες αληθές και ψευδές είναι θέµα βαθµού
συµµετοχής. Εποµένως ο παραπάνω πίνακας αυτός πρέπει να µετατραπεί µε κατάλληλο
τρόπο.
Οι τιµές των εισόδων Α και Β είναι τώρα πραγµατικοί αριθµοί από το 0 µέχρι το 1.
Πρέπει λοιπόν να ευρεθεί µια συνάρτηση που να διατηρεί τις ιδιότητες της συνάρτησης AND
και ταυτόχρονα να µπορεί να επεκτείνεται για πραγµατικούς αριθµούς. Μια πιθανή απάντηση
µπορεί να είναι ο τελεστής min(A,B), η ελάχιστη δηλαδή τιµή των εισόδων Α και Β. Με
βάση το ίδιο σκεπτικό µια συνάρτηση που µπορεί να αντικαταστήσει τον τελεστή OR της
Boolean λογικής είναι ο τελεστής max(A,B). Τέλος ο τελεστής ΝΟΤ Α µπορεί να
αντικατασταθεί µε την πράξη 1-Α.
Πίνακας 5: Λογικοί ασαφείς κανόνες.
45
Αυτοί οι λογικοί κανόνες µπορούν να χρησιµοποιηθούν για να κατασκευάσουµε νέες
καµπύλες από τις ήδη υπάρχουσες που µπορεί να είχαµε χρησιµοποιήσει στις εισόδους (π.χ.
Πίνακας 6).
Πίνακας 6: Κατασκευή νέων καµπύλων από ήδη υπάρχουσες, µε τη βοήθεια των τελεστών.
Ουσιαστικά στον Πίνακα 6 ορίσαµε την τοµή, την ένωση και το συµπλήρωµα ενός
ασαφούς συνόλου µε τους τελεστές min, max & 1-Α. Ας δούµε πως ορίζονται οι ενώσεις, οι
τοµές και τα συµπληρώµατα των ασαφών συνόλων:
Η τοµή δύο ασαφών συνόλων µπορεί να παρασταθεί ως ακολούθως:
Ο δυαδικός τελεστής Τ µπορεί να αντιπροσωπεύει τον πολλαπλασιασµό των µΑ(x) και
µΒ(x). Αυτού του είδους οι τελεστές τοµής αναφέρονται συνήθως ως τ-νόρµες (τριγωνική
νόρµα, triangular norm) και πρέπει να ικανοποιούν τις παρακάτω προϋποθέσεις:
o Οριακές συνθήκες: Τ(0,0)=0, Τ(α,1)=Τ(1,α)=α
o Μονοτονία: Τ(a,b)<=T(c,d) αν a<=c και b<=d
o Αντιµεταθετικότητα: Τ(a,b)= Τ(b,a)
o Προσεταιριστικότητα: Τ(a, T(b,c))=T(T(a,b),c)
Η πρώτη προϋπόθεση επιβάλει τη γενίκευση σε σύνολα διακριτών τιµών. Η δεύτερη
υπονοεί ότι µια µείωση του βαθµού συµµετοχής στο Α ή στο Β δεν µπορεί να οδηγήσει σε
αύξηση του βαθµού συµµετοχής στην τοµή των Α και Β. Η τρίτη προϋπόθεση δείχνει ότι ο
τελεστής είναι αδιάφορος στον τρόπο διάταξης µε τον οποίο τέµνονται τα δύο σύνολα Α και
Β. Τέλος η τέταρτη προϋπόθεση µας επιτρέπει να παίρνουµε την τοµή οποιουδήποτε αριθµού
συνόλων σε οποιαδήποτε διάταξη ζευγών.
Η ασαφής ένωση προσδιορίζεται ως εξής:
46
Οι ασαφείς τελεστές ένωσης αναφέρονται συνήθως ως σ-νόρµες και πρέπει να
πληρούν τις παρακάτω προϋποθέσεις:
o Οριακές συνθήκες: S(1,1)=1, S(α,0)=S(0,α)=α
o Μονοτονία: S(a,b)<=S(c,d) αν a<=c και b<=d
o Αντιµεταθετικότητα: S(a,b)= S(b,a)
o Προσεταιριστικότητα: S(a, S(b,c))=S(S(a,b),c)
Το συµπλήρωµα Α΄ ενός ασαφούς συνόλου Α δίνεται από τη σχέση:
όπου η συνάρτηση c πρέπει να ικανοποιεί τις παρακάτω συνθήκες:
o Οριακές συνθήκες: c(0)=1, c(1)=0
o Μονοτονία: για κάθε a,b ε [0,1], αν a<=b →c(a)>=c(b)
o Συνέχεια: η c είναι συνεχής στο [0,1].
o Εναγωγή για κάθε α ε [0,1] είναι c(c(a))=a
3.1.4 Ασαφείς σχέσεις
Οι ασαφείς σχέσεις (fuzzy relations) είναι ασαφή σύνολα ορισµένα σε πεδία
αναφοράς ανώτερης διάστασης (π.χ. Χ x X , X x Y x Z κλɛ). Ποιοτικά, µια ασαφής σχέση R
θα µπορούσε να είναι µια έκφραση της µορφής ≪ είναι βαρύτερο από ≫ και η οποία θα
συνδέει τα στοιχεία δύο άλλων συνόλων:
R= ‘x είναι βαρύτερο από y’, x ∈ X, y∈ Y και R∈ XxY
Οι ασαφείς σχέσεις µπορεί να εκφραστούν µε αναφορά όλων των ζευγών (τιµή,
βαθµός συµµετοχής), δηλαδή ζευγών της µορφής ((x,y), µR(x,y)). Ένας άλλος τρόπος
αναπαράστασης, ιδιαίτερα χρήσιµος σε υπολογισµούς είναι σε µορφή πίνακα:
47
Οι ασαφείς σχέσεις µπορούν να συνδυαστούν µεταξύ τους µέσω της διαδικασίας της
σύνθεσης (composition). Αν για παράδειγµα συνδυαστεί η ασαφής σχέση R1 (x,y) ορισµένη
στο X x Y µε την ασαφή σχέση R2 (y,z) ορισµένη στο Y x Z τότε θα προκύψει µία ασαφής
σχέση R(x,z) η οποία θα ορίζεται στο σύνολο X x Z και θα συσχετίζει άµεσα στοιχεία των
συνόλων Χ και Ζ. Βέβαια είναι απαραίτητο να προσδιοριστεί επακριβώς η συνάρτηση
συµµετοχής µR(x,z) της R µε χρήση των συναρτήσεων συµµετοχής των R1 και R2. Οι βασικές
πράξεις που ορίζονται µεταξύ των ασαφών σχέσεων είναι η αντιστροφή και η σύνθεση.
Αντιστροφή: Αντίστροφη σχέση της R(X,Y) είναι η ασαφής σχέση R-1 (Y,X) µε τύπο: R-1
(y,x)=R(x,y) για κάθε x που ανήκει στον Χ και κάθε y που ανήκει στον Y. Ο πίνακας
συµµετοχής που παριστάνει την R-1 είναι ο ανάστροφος του R.
Σύνθεση: H σύνθεση είναι πολύ σηµαντική διαδικασία καθώς όπως θα δούµε παρακάτω, οι
κανόνες της µορφής if-then αντιστοιχούν σε ασαφείς σχέσεις και το πρόβληµα της ασαφούς
συλλογιστικής είναι µαθηµατικά ισοδύναµο µε τη σύνθεση. Αν R1 (x,y) και R2 (y,z)
είναι δύο ασαφείς σχέσεις ορισµένες στα σύνολα X x Y και Y x Z αντίστοιχα, τότε η σύνθεση
τους δίνει µια νέα σχέση R1° R2.
Η sup-t σύνθεση R:X x Y →[0,1] δύο ασαφών σχέσεων R1:X x Y→[0,1] και R2: X x Y
→ [0,1] ορίζεται από την εξίσωση:
1 2 1 2( , ) [R R ]( , ) sup [R ( , ), R ( , )]y Y
R x y x y t x y y z∈
= =o
Οι περισσότερο γνωστές µέθοδοι σύνθεσης ασαφών συνόλων είναι η σύνθεση max-
min και η σύνθεση max-product.
Η συνάρτηση συµµετοχής για την περίπτωση της max-min σύνθεση δίνεται από τη
σχέση:
1 2 1 2R R R R( , ) [ ( , ) ( , )]x z x y y zµ µ µ= ∨ ∧o
Στην περίπτωση στο δεξιό µέρος των παραπάνω σχέσεων είναι παρόµοιοι µε τον
πολλαπλασιασµό των πινάκων.
48
3.1.5 Ασαφής Συλλογιστική
Η βάση στην οποία στηρίζεται η λήψη αποφάσεων είναι η παραγωγή συλλογιστικής.
Η ασαφής λογική ασχολείται µε την παραγωγή συλλογιστικής σε περιβάλλον αβεβαιότητας.
Για το σκοπό αυτό, θεµελιώνεται η δοµή και η µαθηµατική αναπαράσταση ενός ασαφούς
γεγονότος µε τον ορισµό των ασαφών συνόλων και καθορίζεται ο τρόπος µε τον οποίο
συνδυάζουµε τα γεγονότα για να παράγουµε λογικές προτάσεις ή σχέσεις και συνεπώς
συµπεράσµατα.
Οι συλλογιστικοί τρόποι που κυρίως χρησιµοποιούνται είναι 3:
O modus ponens (MP)
O modus tolens (MT)
Ο υποθετικός συλλογισµός (HS)
O modus ponens παράγει συµπεράσµατα από ένα σύνολο υποθέσεων σύµφωνα µε το
σχήµα:
( )Α ⇒ Β ∧Α ⇒ Β
Όπου Α και Β συγκεκριµένα γεγονότα.
Ο παραπάνω κανόνας ερµηνεύεται ως εξής: Αν το γεγονός Α συνεπάγεται το γεγονός
Β και επιπλέον έχουµε ως υπόθεση ότι ισχύει το Α, τότε το συµπέρασµα που παίρνουµε είναι
ότι ισχύει και το Β. Όµως σε περιβάλλον ασάφειας τα γεγονότα ισχύουν σε κάποιο βαθµό.
Έτσι ο παραπάνω κανόνας πρέπει να τροποποιηθεί για να συµπεριλάβει και την ασάφεια.
Καταλήγουµε µ‘ αυτό τον τρόπο στο γενικευµένο κανόνα modus ponens (generalized modus
ponens) ο οποίος έχει την παρακάτω µορφή:
( ) ' 'Α ⇒ Β ∧Α ⇒ Β
Αντίστοιχα ο γενικευµένος κανόνας modus tolens (generalized modus tolens)
διατυπώνεται ως εξής:
( ) ' 'Α ⇒ Β ∧Β ⇒ Α
Ας εξετάσουµε τώρα την ερµηνεία των παραπάνω κανόνων. Για παράδειγµα ο γενικευµένος
κανόνας modus ponens ερµηνεύεται ως εξής: Αν το γεγονός Α συνεπάγεται το γεγονός Β και έχοµε ως
υπόθεση ότι ισχύει το Α σε κάποιο βαθµό, τότε θα ισχύει και το Β σε κάποιο βαθµό.
Πρέπει, λοιπόν να προσδιοριστεί ο βαθµός στον οποίο πληρείται το γεγονός Β. Αυτός εξαρτάται
από το βαθµό στον οποίο πληρείται το γεγονός Α και από το είδος της συνεπαγωγής που εφαρµόζουµε.
Η πράξη της ασαφούς συνεπαγωγής υλοποιεί τη µαθηµατική σχέση Α ==> Β, όταν τα Α και Β είναι
ασαφή γεγονότα.
Το σχήµα που προτείνεται από τη θεωρία των ασαφών συνόλων για την εξαγωγή του
γεγονότος Β’ από τα γεγονότα Α, Α’, Β περιγράφεται από την παρακάτω σχέση που αποτελεί
το συνθετικό κανόνα του Zadeh:
49
'( ) sup [ '( ), ( ( ), ( ))]x X
B y t A x x yσ∈
= Α Β
όπου σ είναι µια συνάρτηση που υλοποιεί την πράξη της ασαφούς συνεπαγωγής.
Εποµένως η επιλογή της συνάρτησης που υλοποιεί την ασαφή συνεπαγωγή έχει
ουσιαστικό ρόλο για την ασαφή συλλογιστική που παράγεται µε βάση το παραπάνω σχήµα.
Ένα από τα κριτήρια που χρησιµοποιείται γι’ αυτή την επιλογή είναι το κριτήριο της
ανάκλησης (recall), το οποίο διατυπώνεται ως εξής:
( ) sup [ ( ), ( ( ), ( ))]x X
B y t A x x yσ∈
= Α Β
Το κριτήριο αυτό έχει την εξής ερµηνεία: η ασαφής συνεπαγωγή πρέπει να είναι τέτοια
ώστε όταν η υπόθεση πληρείται ακριβώς, τότε να λαµβάνουµε το συµπέρασµα του κανόνα
Α=>Β, δηλαδή το γεγονός Β. Η απαίτηση αυτή είναι εύλογη αφού όταν δεν υπάρχει
αβεβαιότητα η ασαφής συλλογιστική οφείλει να ταυτίζεται µε την κλασσική συλλογιστική.
3.2 H θεωρία των Τεχνητών Νευρωνικών ∆ικτύων
Τα τεχνητά νευρωνικά δίκτυα - ΤΝ∆ (Artificial Neural Networks -ANN) ή απλώς
νευρωνικά δίκτυα είναι ένα µαθηµατικό µοντέλο για την επεξεργασία πληροφορίας που
προσεγγίζει την υπολογιστική και αναπαραστατική δυνατότητα µέσω συνάψεων. Το µοντέλο
είναι εµπνευσµένο από τα βιο-ηλεκτρικά δίκτυα που δηµιουργούνται στον εγκέφαλο ανάµεσα
στους νευρώνες (νευρικά κύτταρα) και στις συνάψεις (σηµεία επαφής των νευρικών
απολήξεων). Ως µαθηµατικό µοντέλο, προέκυψαν από τον τοµέα της Τεχνητής Νοηµοσύνης.
Ένα ΤΝ∆ είναι διαµορφωµένο για µια συγκεκριµένη εφαρµογή, όπως η αναγνώριση
προτύπων ή ταξινόµηση δεδοµένων, µέσα από µια διαδικασία εκπαίδευσης.
Στο µαθηµατικό µοντέλο των νευρωνικών δικτύων υπάρχουν κοµβικά σηµεία (nodes)
στα οποία καταλήγουν οι συνδέσεις (synapses) από άλλους κόµβους του δικτύου, στις οποίες
συνήθως αποδίδεται κάποιο ορισµένο βάρος. Οι νευρώνες είναι τα δοµικά στοιχεία του
δικτύου. Υπάρχουν δύο είδη νευρώνων, οι νευρώνες εισόδου και οι υπολογιστικοί νευρώνες:
Οι νευρώνες εισόδου δεν υπολογίζουν τίποτα, µεσολαβούν ανάµεσα στις εισόδους του
δικτύου και τους υπολογιστικούς νευρώνες. Οι υπολογιστικοί νευρώνες πολλαπλασιάζουν τις
εισόδους τους µε τα συναπτικά βάρη και υπολογίζουν το άθροισµα των γινοµένων. Το
άθροισµα που προκύπτει είναι το όρισµα της συνάρτησης ενεργοποίησης. Πρακτικά, ένα
νευρωνικό δίκτυο βελτιστοποιεί µία συνάρτηση, σύµφωνα µε κάποιους περιορισµούς.
Εάν xki είναι η i-οστή είσοδος του k νευρώνα, wki: το i-οστό συναπτικό βάρος του k
νευρώνα και φ( ) η συνάρτηση ενεργοποίησης του νευρωνικού δικτύου, τότε η έξοδος yk του
k νευρώνα δίνεται από την εξίσωση:
50
Στον k-οστό νευρώνα υπάρχει ένα συναπτικό βάρος wk0 µε ιδιαίτερη σηµασία, το
οποίο καλείται πόλωση ή κατώφλι (bias, threshold). Η τιµή της εισόδου του είναι πάντα η
µονάδα, xk0 = 1. Εάν το συνολικό άθροισµα από τις υπόλοιπες εισόδους του νευρώνα είναι
µεγαλύτερο από την τιµή αυτή, τότε ο νευρώνας ενεργοποιείται. Εάν είναι µικρότερο, τότε ο
νευρώνας παραµένει ανενεργός. Η συνάρτηση ενεργοποίησης µπορεί να είναι βηµατική (step
transfer function), γραµµική (linear transfer function), µη γραµµική (non-linear transfer
function) ή στοχαστική (stochastic transfer function).
Εικόνα 26: Βασική δοµή ενός νευρωνικού δικτύου.
Τέτοιου είδους λοιπόν νευρώνες αποτελούν τα διάφορα επίπεδα του νευρωνικού
δικτύου, τα οποία επίπεδα είναι: το επίπεδο εισόδου (input layer), το κρυµµένο επίπεδο
(hidden layer) και το επίπεδο εξόδου (output layer). Ένα νευρωνικό δίκτυο µπορεί να έχει
πολλά κρυµµένα επίπεδα, κάτι που µπορεί να αυξήσει την αποδοτικότητα και την αξιοπιστία
του δικτύου.
Εικόνα 27: Βασική δοµή ενός πολύ-επίπεδου νευρωνικού δικτύου.
Ο πιο συχνά εφαρµόσιµος αλγόριθµος για την εκπαίδευση ενός νευρωνικού δικτύου
είναι ο αλγόριθµος της οπισθοδιάδοσης του λάθους (back-propagation algorithm), ο οποίος
51
επαναπροσδιορίζει τις παραµέτρους εκπαίδευσης του δικτύου (π.χ. επανακαθορισµός των wki
) ώστε οι παραγόµενες έξοδοι να είναι ακόµα πιο ακριβείς.
Από τα παραπάνω συµπεραίνεται ότι τα νευρωνικά δίκτυα (ΤΝ∆) µπορούν να
εφαρµοστούν σε πολλές εφαρµογές ώστε να γίνει σωστή εκµετάλλευση των ιδιοτήτων τους.
Ένας τοµέας στον οποίο πολλοί ερευνητές έχουν αρχίσει να κάνουν εφαρµογή την
µεθοδολογία των ΤΝ∆ είναι η πρόβλεψη διαφόρων µεγεθών σε διάφορα επιστηµονικά
αντικείµενα όπως στην χρηµατοοικονοµική πρόβλεψη, στην µετεωρολογική πρόβλεψη,
πρόβλεψη κυκλοφορικής συµφόρησης κτλ.
Έχει δειχτεί ότι τα ΤΝ∆ όταν εφαρµόζονται αποτελεσµατικά και επικυρώνονται
πλήρως, παρουσιάζουν ισχυρές δυνατότητες για την πρόβλεψη. Ωστόσο, στα αρχικά χρόνια
της ερευνητικής εφαρµογής των ΤΝ∆, ένα σηµαντικό µερίδιο των ερευνών αυτών στερούταν
από ισχύ. Για να καθοριστεί λοιπόν η αξία των ΤΝ∆ για την πρόβλεψη, οι συγκρίσεις αυτών
πρέπει να γίνουν µε εναλλακτικές µεθόδους, οι οποίες πρέπει να είναι απλές και αποδεκτές
από τον επιστηµονικό κόσµο. Η λογοτεχνία της πρόβλεψης εκφράζει µια προτίµηση για τα
απλούστερα πρότυπα εκτός κι αν υπάρχει ένα ισχυρό επιχείρηµα υπέρ της πολυπλοκότητας.
Επιπλέον, τα ερευνητικά συµπεράσµατα δείχνουν ότι τα σχετικά απλά πρότυπα είναι ισχυρά.
Οι συγκρίσεις πρέπει να βασιστούν στην απόδοση τους εκτός των δειγµάτων.
52
4. Συστήµατα Ασαφούς Συλλογιστικής και Νευροασαφή Συστήµατα
Στον παρόν κεφάλαιο θα εξετάσουµε πως χρησιµοποιούνται τα ασαφή σύνολα σε ένα
σύστηµα λήψης αποφάσεων. Θα εξεταστεί µια απλή περίπτωση λήψης αποφάσεων ώστε να
µπορεί να ληφθεί µε τη βοήθεια της ασαφούς λογικής. Εξετάζουµε το πρόβληµα του
προσδιορισµού του φιλοδωρήµατος, δλδ πόσο θα έπρεπε να είναι το φιλοδώρηµα που θα
δώσει ένας πελάτης σε ένα εστιατόριο. Οι παράµετροι που καθορίζουν το πρόβληµα είναι η
ποιότητα του φαγητού και η εξυπηρέτηση από το προσωπικό.
Προφανώς, αν το φαγητό είναι εξαιρετικό και η εξυπηρέτηση άριστη, τότε το
φιλοδώρηµα θα είναι µεγάλο. Οµοίως, αν το φαγητό είναι χαµηλής ποιότητας και η
εξυπηρέτηση ανεπαρκής τότε το φιλοδώρηµα θα είναι χαµηλό. Σε ενδιάµεσες όµως
καταστάσεις, είναι δύσκολο να προσδιοριστεί το ύψος το φιλοδωρήµατος. Ένα επιπλέον
πρόβληµα υπάρχει από το γεγονός ότι χρησιµοποιήθηκαν ορισµοί όπως πολύ καλό, καλό,
µέτριο κτλ, ορισµοί που χαρακτηρίζονται από ασάφεια.
Το πρόβληµα είναι δύσκολο να λυθεί γραµµικά γιατί θα πρέπε να θέσουµε πολλούς
καθορισµένους κανόνες για κάθε περίπτωση. Μέσω όµως της ασαφής λογικής µπορούµε να
λύσουµε το πρόβληµα µε τη χρήση των κανόνων αν-τότε (if-then).
3.1 Κανόνες αν-τότε (if-then rules)
Τα ασαφή σύνολα και οι ασαφείς τελεστές είναι αντιστοίχως τα υποκείµενα και τα
ρήµατα του ασαφούς συλλογισµού. Οι κανόνες τύπου if-then χρησιµοποιούνται για να
σχηµατίσουν τις συνθήκες εκείνες που συνιστούν την ασαφή λογική. Ένας τέτοιος απλός
κανόνες έχει την εξής µορφή:
If x is A then y is B
Όπου Α και Β είναι οι γλωσσικές µεταβλητές που προσδιορίζονται από ασαφή
σύνολα µε χώρο αναφοράς Χ και Υ αντίστοιχα. Το κοµµάτι ‘If x is A’ ονοµάζεται υπόθεση
ενώ το άλλο κοµµάτι ‘then y is B’ ονοµάζεται συνέπεια. Παραδείγµατος χάριν:
If service is good then tip is average
Η λέξη good αντιπροσωπεύεται από ένα αριθµό µεταξύ του διαστήµατος [0,1]. Έτσι η
υπόθεση είναι µια µετάφραση που επιστρέφει µια συγκεκριµένη τιµή από το [0,1]. Η λέξη
average αποτελεί ένα ασαφές σύνολο και έτσι η συνέπεια του κανόνα είναι µια ακριβής
συσχέτιση της εξόδου y στο ασαφές σύνολο Β.
Ανάλογα της θέση της, η λέξη ‘is’ έχει διαφορετική ερµηνεία: Όταν εµφανίζεται στην
υπόθεση έχει την έννοια του ελέγχου της ισότητας ενώ όταν εµφανίζεται στην συνέπεια έχει
την έννοια της καταχώρησης.
53
Η είσοδος σε ένα κανόνα if-then είναι η τρέχουσα τιµή της µεταβλητής εισόδου ενώ η
έξοδος του κανόνα είναι ολόκληρο το ασαφές σύνολο. Από αυτό το ασαφές σύνολο θα πρέπει
να κρατήσοµε µια τιµή έτσι ώστε να βγει ένα συµπέρασµα. Αυτό γίνεται µε µια διαδικασία
που λέγεται αποσαφήνιση (defuzzification).
Η διερµηνεία ενός κανόνα γίνεται µε τα εξής βήµατα:
• Υπολογισµός της εισόδου µε την ασαφοποιησή της και την εφαρµογή των
κατάλληλων ασαφών τελεστών
• Εφαρµογή του παραπάνω αποτελέσµατος στη συνέπεια.
• Υπολογισµού της εξόδου µε την διαδικασία της αποσαφήνιση.
Αν πάρουµε την απλή περίπτωση των δυαδικών τιµών οι κανόνες if-then είναι αρκετά
εύκολο να εφαρµοσθούν. Αν η προϋπόθεση είναι αληθής τότε και η συνέπεια θα είναι
αληθής. Πώς όµως επεκτείνεται η παραπάνω συλλογιστική για να συµπεριλάβει και ασαφείς
τιµές? Όταν η προϋπόθεση είναι αληθής σε κάποιο βαθµό τότε και η συνέπεια είναι αληθής
στον ίδιο βαθµό.
∆υαδική λογική Ασαφής λογική
p→q (Τα p και q είναι και τα 2 είτε
αληθή είτε ψευδή)
0.5p→0.5q (Τα p και q είναι µερικώς αληθή
και µερικώς ψευδή)
Η προϋπόθεση ενός κανόνα µπορεί να αποτελείται από περισσότερα του ενός µέρη.
Όπως για παράδειγµα ο παρακάτω κανόνας:
If sky is gray and wind is strong and barometer is falling, then ..
Σ’ αυτή την περίπτωση όλα τα µέρη της προϋπόθεσης υπολογίζονται ταυτόχρονα και
καταλήγουµε σε ένα µοναδικό νούµερο ανάλογα µε τους λογικούς τελεστές που
χρησιµοποιούµε. Αλλά και η συνέπεια ενός κανόνα µπορεί να αποτελείται από περισσότερα
του ενός µέρη. Για παράδειγµα ο παρακάτω κανόνας:
If temperature is cold then hot water valve is open and cold water valve is shut
Όλα τα µέρη της συνέπειας του κανόνα επηρεάζονται το ίδιο από το αποτέλεσµα της
προϋπόθεσης. Η συνέπεια του κανόνα προσδιορίζει ένα ασαφές σύνολο το οποίο
συσχετίζεται µε την έξοδο. Η συνάρτηση συνεπαγωγής (implication function) στη συνέχεια
τροποποιεί το ασαφές σύνολο στο βαθµό που προσδιορίζεται από την προϋπόθεση του
κανόνα.
Μια πολύ συνηθισµένη συνάρτηση για να γίνει αυτό είναι η αποκοπή µε τη χρήση του
τελεστή min. Στο παρακάτω σχήµα βλέπουµε τον τρόπο µε τον οποίο εφαρµόζονται οι
κανόνες if-then.
54
Εικόνα 28: Οι κανόνες if-then στην ασαφή λογική.
3.2 Συστήµατα Εξαγωγή Συµπερασµάτων (Fuzzy Inference Systems – FIS)
Το σηµαντικότερο εργαλείο µοντελοποίησης το οποίο βασίζεται στη θεωρία των
ασαφών συνόλων είναι το FIS. Τα FIS είναι η διαδικασία διατύπωσης αλλά και
αντιστοίχησης κάποιων εισαγόµενων δεδοµένων, σε κάποια εξαγόµενα δεδοµένα κάνοντας
χρήση της ασαφούς λογικής.
Υπάρχουν 2 γνωστοί τύποι FIS:
Το Mamdani
Και το Sugeno ή Takagi-Kang
Υπάρχουν διάφορες εφαρµογές των FIS σε διάφορους τοµείς όπως η ταξινόµηση
δεδοµένων, η ανάλυση αποφάσεων, τα έµπειρα συστήµατα κτλ.
Η βασική δοµή ενός FIS αποτελείται από τα εξής µέρη:
I. Μια βάση κανόνων, που περιέχει µια οµάδα ασαφών κανόνων
II. Μια βάση δεδοµένων που καθορίζει τις συναρτήσεις συµµετοχής που
χρησιµοποιούνται στους ασαφείς κανόνες.
55
III. Και τον λογισµικό µηχανισµό που εκτελεί την εξαγωγή συµπερασµάτων µε βάση τους
κανόνες και τα δεδοµένα, ώστε η έξοδος ή το συµπέρασµα να είναι αποδεκτό.
Στα πρακτικά προβλήµατα χρειαζόµαστε παραπάνω από ένα κανόνα, οι οποίοι
κανόνες αλληλεπιδρούν µεταξύ τους. Η έξοδος κάθε κανόνα είναι ένα ασαφές σύνολο. Τα
ασαφή σύνολα που σχηµατίζονται για κάθε εφαρµογή κάθε κανόνα διαµορφώνουν ένα
ασαφές σύνολο εξόδου από το οποίο – µέσω της αποσαφήνισης – θα παρθεί µια µοναδική
τιµή εξόδου.
Ένα βασικό FIS µπορεί να πάρει είτε ασαφείς εισόδους, είτε σαφείς µε τη µορφή
ασαφών singletons. Η έξοδος όµως που παράγει είναι πάντα ασαφή σύνολα. Μερικές φορές
είναι αναγκαίο να έχουµε ασαφή έξοδο, ειδικά όταν το FIS χρησιµοποιείται ως ελεγκτής.
Τότε χρειαζόµαστε µια µέθοδο αποσαφήνισης, για να εξάγουµε ένα σαφές αποτέλεσµα που
αντιπροσωπεύει µε τον καλύτερο τρόπο το ασαφές σύνολο.
Με σαφείς εισόδους και εξόδους, ένα FIS υλοποιεί µια µη γραµµική αντιστοίχηση,
από τον χώρο εισόδου σ’ αυτόν της εξόδου, µε έναν αριθµό κανόνων If-then, κανένας εκ των
οποίων περιγράφει µια τοπική συµπεριφορά της αντιστοίχησης. Ειδικότερα, το µέρος των
προϋποθέσεων ενός κανόνα προσδιορίζει µια ασαφή περιοχή στο χώρο εισόδου, ενώ αυτός
των συµπερασµάτων προσδιορίζει την έξοδο σε µια ασαφή περιοχή.
Εικόνα 29: Σύστηµα εξαγωγής συµπερασµάτων FIS.
3.2.1 FIS Τύπου Mamdani
Η ασαφής συλλογιστική είναι η διαδικασία κατά την οποία σχηµατίζεται η απεικόνιση
από µια δεδοµένη είσοδο σε µια έξοδο, χρησιµοποιώντας τις αρχές της ασαφούς λογικής. Η
απεικόνιση αυτή θέτει τις βάσεις µε τις οποίες µπορεί να ληφθεί µια απόφαση ή να
διακριθούν πρότυπα (patterns). Η διαδικασία αυτή της ασαφούς λογιστικής περιλαµβάνει όλα
εκείνα τα κοµµάτια στα οποία αναφερθήκαµε προηγουµένως (συναρτήσεις συµµετοχής,
ασαφείς λογικούς τελεστές, if-then κανόνες).
Οι διαφορές µεταξύ των FIS Mamdani και FIS Sugeno είναι στο τρόπο σχηµατισµό
των εξόδων των συστηµάτων.
56
Στο Mamdani πρέπει οι συναρτήσεις συµµετοχής να είναι ασαφή σύνολα. Μετά την
διαδικασία της ενώσεως, υπάρχει ένα ασαφές σύνολο για κάθε µεταβλητή εξόδου που
χρειάζεται αποσαφήνιση.
Στο παρακάτω σχήµα µπορούµε να δούµε τη λογική σχεδίαση ενός Mamdani.
Πίνακας 7: Mamdani FIS. (για το γνωστό παράδειγµα υπολογισµού φιλοδωρήµατος.)
Από το παραπάνω σχήµα βλέπουµε ότι η πληροφορία πηγαίνει από τα αριστερά στα
δεξιά σε µια µοναδική έξοδο. Ένα σηµαντικό χαρακτηριστικό των συστηµάτων ασαφούς
λογικής είναι η παράλληλη εφαρµογή των κανόνων. Στα κλασσικά συστήµατα δυαδικής
λογικής χρησιµοποιούνται διακόπτες που ανοιγοκλείνουν ανάλογα των τιµών εισόδου. Στα
ασαφή συστήµατα µεταβαίνουµε οµαλά από περιοχή σε περιοχή ανάλογα µε τις συνέπειες
των κανόνων.
Η διαδικασία της απεικόνισης των εισόδων στις εξόδους µέσα από ένα σύστηµα
ασαφούς λογικής είναι η εξής:
1. Ασαφοποίηση των εισόδων
2. Εφαρµογή των ασαφών λογικών τελεστών στις προυποθέσεις των κανόνων
3. Καθορισµός των συνεπαγωγών των κανόνων
4. Συγκέντρωση όλων των συνεπαγωγών όλων των κανόνων
5. Αποσαφήνιση
57
Εικόνα 30: FIS Mamdani για το ποσοστό φιλοδωρήµατος.
3.2.2 FIS Τύπου Sugeno
Το ασαφές σύνολο Sugeno δηµιουργήθηκε σε µια προσπάθεια να αναπτυχθεί µια
συστηµατική προσέγγιση στην γέννηση ασαφών κανόνων από ένα δεδοµένο σύνολο εισόδου-
εξόδου.
Σε πολλές περιπτώσεις είναι περισσότερο αποτελεσµατική η χρήση µεµονωµένων
σηµείων-αιχµών σαν συναρτήσεις συµµετοχής εξόδου, από ένα συνεχές κατανεµηµένο
ασαφές σύνολο. Μια τέτοια αιχµή είναι γνωστή µε τον αγγλικό όρο συνάρτηση συµµετοχής
εξόδου τύπου singleton και θα µπορούσε να χαρακτηριστεί σαν προαποασαφοποιηµένο
ασαφές σύνολο. Η συνάρτηση συµµετοχής ενός singleton είναι µA(x)=1.
Αυτές εµπλουτίζουν την επάρκεια της διαδικασίας αποσαφήνισης διότι απλοποιούν
ιδιαιτέρως τους απαιτούµενους υπολογισµούς σε σχέση µε την πιο γενική µέθοδο Mamdani,
στην οποία βρίσκουµε το κέντρο µάζας µια δισδιάστατης συνάρτησης. Αντί λοιπόν να
βρίσκουµε το κέντρο µάζας, χρησιµοποιούµε τον σταθµικό µέσο µερικών σηµείων. Τα
συστήµατα Sugeno υποστηρίζουν αυτόν τον τύπου του µοντέλου.
58
Η µέθοδος Sugeno είναι παρόµοια µε τη Mamdani από πολλές απόψεις. Τα πρώτα δύο
µέρη της διαδικασίας, η ασαφοποίηση των δεδοµένων εισόδου και η εφαρµογή των ασαφών
τελεστών είναι ακριβώς ίδια. Η κύρια διαφορά του Sugeno από το Mamdani είναι ότι στο
Sugeno οι συναρτήσεις συµµετοχής εξόδου είναι είτε γραµµικές είτε µια σταθερά.
Ένας κανόνας σε ένα ασαφές µοντέλο Sugeno έχει τη µορφή:
If x=A and y=b, then z=f (x, y)
όπου Α,Β είναι ασαφή σύνολα των προϋποθέσεων και το z=f(x,y) είναι µια σαφής
συνάρτηση στον χώρο των συµπερασµάτων. Συνήθως το f(x,y) είναι ένα πολυώνυµο των
µεταβλητών εισόδου x,y αλλά µπορεί να είναι µια οποιαδήποτε συνάρτηση, αρκεί να µπορεί
να περιγράψει καταλλήλως την έξοδο του µοντέλου, µέσα στην ασαφή περιοχή που ορίστηκε
από τις προϋποθέσεις των κανόνων. Όταν το f(x,y) είναι πολυώνυµο α’ βαθµού, το FIS
ονοµάζεται ασαφές µοντέλο Sugeno α’ βαθµού. Π.χ.:
If input1=x and input2=y, then output is z=a*x +b*y +c
Για ένα Sugeno µηδενικό βαθµού, το επίπεδο εξόδου z είναι µια σταθερά (a=b=0) και
µπορεί να θεωρηθεί και σαν µια ειδική περίπτωση από ένα ασαφές singleton (ή
προαποασαφοποιηµένο συµπέρασµα).
Η έξοδος ενός Sugeno µηδενικού βαθµού είναι µια οµαλή συνάρτηση των
µεταβλητών εισόδου του, εφόσον οι γειτονικές ΣΣ στις προϋποθέσεις, έχουνε αρκετή
επικάλυψη.
Εικόνα 31: Το α' βαθµού ασαφές σύνολο Sugeno.
Το επίπεδο εξόδου z1 κάθε κανόνα είναι σταθµισµένο µε βάρη, ή αλλιώς µε µια
δύναµη πυροδότησης wι για κάθε κανόνα.
59
Εικόνα 32: Λειτουργία ενός Sugeno.
Μπορούµε να κάνουµε και µοντέλα υψηλότερου βαθµού Sugeno, όµως τείνουν να
παρουσιάζουν µεγάλη πολυπλοκότητα µε µικρό προφανές κέρδος.
Τα συστήµατα Sugeno λόγω του µικρότερου µεγέθους τους και του ότι είναι πιο
επαρκή υπολογιστικά, σε σχέση µε τα Mamdani, χρησιµοποιούνται σε προσαρµοστικές
τεχνικές κατασκευής ασαφών µοντέλων.
Εικόνα 33: FIS Sugeno για το παράδειγµα του φιλοδωρήµατος.
60
Πίνακας 8: Πίνακας συγκρίσεων των 2 FIS.
3.3 Νευρο-Ασαφή συστήµατα
3.3.1 Ασαφείς Νευρώνες
Οι ασαφείς νευρώνες έχουν την µορφή που φαίνεται παρακάτω:
Εικόνα 34: ∆οµή ενός ασαφούς νευρώνα.
Όπου x1 , x2 , xm οι είσοδοι του νευρώνα, x1 , x2, xm τα βάρη των συνάψεων, f η
συνάρτηση συµµετοχής του νευρώνα, a η συνάρτηση ενεργοποίησης του νευρώνα και y η
έξοδος του νευρώνα.
Οι ασαφείς νευρώνες διακρίνονται σε νευρώνες συµµετοχής και σε λειτουργικούς
νευρώνες.
61
3.3.1.1 Νευρώνες συµµετοχής
Οι συνηθέστερες µορφές συναρτήσεων συµµετοχής είναι η τριγωνική, η γκαουσιανή,
η τραπεζοειδής, η κανονικής κτλ. Οι παραπάνω συναρτήσεις συµµετοχής µπορούν να
υλοποιηθούν µε τη χρήση ενός νευρώνα. Η συνάρτηση συµµετοχής µπορεί να υλοποιηθεί
θεωρώντας ότι ο νευρώνας δέχεται ως είσοδο το x και δίνει έξοδο A(x) απαιτώντας η
συνάρτηση συµµετοχής του να έχει τη µορφή Α. Αν δηλαδή υποθέσουµε ότι η συνάρτηση
συµµετοχής είναι η κανονική, τότε για να υλοποιηθεί πρέπει η συνάρτηση ενεργοποίησης να
είναι:
2
2
( )( ) exp( )
u ma u
σ−
= −
όπου m κέντρο της συνάρτησης συµµετοχής και σ το εύρος της.
3.3.1.2 Λειτουργικοί νευρώνες
Με τον ίδιο τρόπο όπως παραπάνω µπορούν να υλοποιηθούν οι βασικές πράξεις των
ασαφών συνόλων. Οι πράξεις αυτές στηρίζονται σε λειτουργίες όπως η τα-νόρµα, η σ-νόρµα,
το ασαφές συµπλήρωµα κλπ. Οι παραπάνω λειτουργίες µπορούν να αντικαταστήσουν τη
συνάρτηση ενεργοποίησης του νευρώνα; Αν θεωρήσουµε ότι οι είσοδοι δεν αθροίζονται
πολλαπλασιασµένοι µε βάρη όπως στους κλασσικούς νευρώνες. Για να µπορούµε όµως να
εφαρµόσουµε τους αλγόριθµους µάθησης (π.χ. τον back-propagation αλγόριθµο αντίστροφης
διάδοσης) θα πρέπει οι λειτουργίες να είναι παραγωγίσιµες.
Για την υλοποίηση των ασαφών λειτουργιών µπορούµε να επεκτείνουµε την έννοια
της συνάρτησης µεταφοράς του νευρώνα. Στην περίπτωση αυτή ο νευρώνας δεν υλοποιεί το
αναλυτικό γινόµενο της εισόδου µε το διάνυσµα των βαρών αλλά την πράξη της
συγκεκριµένης ασαφούς λειτουργίας θεωρώντας ότι όλα τα βάρη είναι 1, ως συνάρτηση
συµµετοχής λαµβάνεται η :
62
3.3.1.3 Συνθετικοί νευρώνες
Η πράξη της σύνθεσης αποτελεί µια γενίκευση της πράξης του αναλυτικού γινοµένου
των διανυσµάτων και υλοποιείται ( , )m
t t
i N
f t x w∈
= U από τη συνάρτηση µεταφοράς f των
νευρώνων. Η µορφή του νευρώνα είναι η ίδια και ορίζεται ως εξής:
( , )m
t t
i N
f t x w∈
= U
y=a(u)
όπου union (u) είναι µια σ-νόρµα και τα είναι µια τα-νόρµα. Ως συνάρτηση
ενεργοποίησης θεωρείται η συνάρτηση αναρρίχησης. Παρατηρούµε ότι ο συνθετικός
νευρώνας είναι µια γενίκευση του κλασσικού νευρώνα, αφού η πράξη της φραγµένης
άθροισης, η οποία εξασφαλίζεται από τη συνάρτηση ενεργοποίησης είναι µια ειδική
περίπτωση της φραγµένης ένωσης, ενώ το γινόµενο είναι µια ειδική περίπτωση της ασαφούς
τοµής.
3.4 Προσαρµοστικά ∆ίκτυα (Adaptive Networks)
Ένα προσαρµοστικό δίκτυο είναι αυτό που στη δοµή του περιέχει ένα αριθµό κόµβων
συνδεδεµένων µέσω κατευθυντικών συνδέσµων. Κάθε κόµβος αναπαριστά µια µονάδα
επεξεργασίας και οι σύνδεσµοι µεταξύ αυτών των µονάδων προσδιορίζουν την αιτιολογική
σχέση µεταξύ των συνδεδεµένων αυτών κόµβων. Προσαρµοστικός είναι ο κόµβος όλος ή
µέρος του, που σηµαίνει ότι οι Έξοδοι αυτών των κόµβων εξαρτώνται από προσαρµοζόµενες-
τροποποιήσιµες παραµέτρους που ανήκουν σε αυτούς τους κόµβους. Οι κανόνες εκπαίδευσης
προσδιορίζουν πως αυτές οι παράµετροι θα αλλάζουν ώστε να ελαχιστοποιείται το
προκαθορισµένο µέτρο σφάλµατος – µια µαθηµατική έκφραση που µετράει την ασυµφωνία
µεταξύ της πραγµατικής εξόδου και της επιθυµητής.
Τα προσαρµοστικά δίκτυα χρησιµοποιούνται στην ταυτοποίηση συστήµατος. Εµείς
θα πρέπει να βρούµε µια κατάλληλη αρχιτεκτονική για το δίκτυο και να θέσουµε ένα σύνολο
παραµέτρων που µπορούν να µοντελοποιήσουν καλύτερα ένα σύστηµα-στόχο, το οποίο
περιγράφεται από ένα σύνολο ζευγών δεδοµένων εισόδου-εξόδου.
Ο βασικός κανόνας ενός προσαρµοστικού δικτύου είναι η απότοµη φθίνουσα
µέθοδος, στην οποία το βαθµωτό διάνυσµα προκύπτει από επιτυχείς επικλήσεις του κανόνα
της αλυσίδας. Αυτή η µέθοδος χρησιµοποιείται και για την εύρεση του βαθµωτού σ’ ένα
νευρωνικό δίκτυο πολλών επιπέδων. Αυτή η µέθοδος ονοµάζεται κανόνας οπισθοδρόµησης
διάδοσης (back propagation learning rule).
63
∆ύο είναι τα βασικά στοιχεία των προσαρµοστικών στοιχείων:
o Παράγωγοι παραµετροποιήσιµων συναρτήσεων συµµετοχής.
Για να κάνουµε ένα ασαφές σύστηµα προσαρµοστικό θα πρέπει να ξέρουµε
τους παραγώγους µιας συνάρτησης συµµετοχής ως προς το όρισµα εισόδου
και τις παραµέτρους. Αυτές οι πληροφορίες από τις παραγώγους παίζουν
σηµαντικό ρόλο στην µάθηση η την προσαρµογή ενός ασαφούς συστήµατος.
o Αρχιτεκτονική των Προσαρµοστικών ∆ικτύων.
Η σύνθεση ενός προσαρµοστικού δικτύου πραγµατοποιείται από ένα σύνολο
κόµβων συνδεδεµένων µε κατευθυνθείς συνδέσµους, όπου κάθε κόµβος
εκτελεί µια συγκεκριµένη λειτουργία κόµβου στα εισερχόµενα σήµατα, για
να πράξει µια µονήρη έξοδο κόµβου και κάθε σύνδεσµος καθορίζει την
κατεύθυνσης ροής σήµατος από τον ένα κόµβο στων άλλο. Συνήθως µια
συνάρτηση κόµβου είναι µια παραµετρική συνάρτηση µε τροποποιήσιµες
παραµέτρους. Αλλάζοντας τις τελευταίες, µπορούµε να αλλάξουµε την
λειτουργία κόµβου όπως στην συνολική συµπεριφορά του προσαρµοστικού
δικτύου.
Εικόνα 35: Προσαρµοστικό δίκτυο.
Οι σύνδεσµοι σε ένα προσαρµοστικό δίκτυο χρησιµοποιούνται απλώς για να
προσδιορίσουν την κατεύθυνση διάδοσης των εξόδων κόµβου. Γενικά δεν υπάρχουν βάρη ή
παράµετροι σχετιζόµενοι µε συνδέσµους. Το παραπάνω σχήµα είναι ένα αντιπροσωπευτικό
προσαρµοστικό δίκτυο µε δύο εισόδους και µε δύο εξόδους.
Οι παράµετροι ενός προσαρµοστικού δικτύου είναι κατανεµηµένοι µέσα στους
κόµβους, ώστε κάθε κόµβος να έχει ένα τοπικό σύνολο παραµέτρων. Η ένωση αυτών των
τοπικών παραµέτρων είναι το ολικό σύνολο παραµέτρων του δικτύου. Αν το σύνολο
παραµέτρων ενός κόµβου δεν είναι κενό, τότε η λειτουργία του κόµβου εξαρτάται από τις
τιµές των παραµέτρων. Στα σχήµατα, αναπαριστούµε τον προσαρµοστικό κόµβο αυτού του
είδους µε ένα τετράγωνο. Από την άλλη αν ο κόµβος έχει κενό σύνολο παραµέτρων, τότε η
λειτουργία του είναι καθορισµένη. Ακόµα αναπαριστούµε τον τύπο προκαθορισµένου κόµβο
µε ένα κύκλο. Κάθε προσαρµοστικός κόµβος µπορεί να διασπαστεί σε ένα προκαθορισµένο
κόµβο συν ένα ή περισσότερους κόµβους παραµέτρων.
64
Εικόνα 36:(a)Προσαρµοστικό δίκτυο µε ένα κόµβο, (b)Προσαρµοστικό δίκτυο µε κοινές παραµέτρους.
3.5 Καταµερισµός Παραµέτρων σε Προσαρµοστικά ∆ίκτυα
Το παραπάνω σχήµα δείχνει ένα προσαρµοστικό δίκτυο µε έναν µόνο κόµβο, το οποίο
µπορεί να αναπαρασταθεί σαν y= ƒ(x, a) όπου x, y είναι η είσοδος και έξοδος αντιστοίχως
και α είναι η παράµετρος του κόµβου. Μια ισοδύναµη απεικόνιση είναι να µετακινήσουµε
την παράµετρο έξω από τον κόµβο και να την τοποθετήσουµε σε έναν κόµβο παράµετρο
όπως φαίνεται στην Εικόνα 36(α). Αυτός ο κόµβος παράµετρος είναι µια ειδική περίπτωση
ενός προσαρµοστικού κόµβου στο οποίο δεν υπάρχουν είσοδοι και η έξοδος είναι η ίδια η
παράµετρος. Ο κόµβος παράµετρος είναι χρήσιµος στην επίλυση συγκεκριµένων
αντιπροσωπευτικών προβληµάτων, όπως στο παράδειγµα καταµερισµού παραµέτρων στην
Εικόνα 36(α) όπου δυο προσαρµοστικοί κόµβοι u =g(x, a)και u =h(y, a) µοιράζονται την ίδια
παράµετρο α, όπως δηλώνεται και από την διάστικτη γραµµή που ενώνει αυτούς τους δύο
κόµβους. Βγάζοντας έξω την παράµετρο και βάζοντας την µέσα σε έναν κόµβο παράµετρο,
µπορούµε να ενσωµατώσουµε τις απαιτήσεις του καταµερισµού παραµέτρων µέσα στην
αρχιτεκτονική σχεδίαση του δικτύου. Αυτό απλοποιεί την αναπαράσταση του δικτύου όπως
και την εφαρµογή του σε λογισµικό.
Τα προσαρµοστικά δίκτυα είναι γενικώς κατηγοριοποιηµένα σε δύο κατηγορίες µε
βάση τον τύπο των διασυνδέσεων που έχουν: εµπροσθόδροµα δίκτυα (feed-ward) και
επαναληπτικά.
65
Εικόνα 37: Ένα εµπροσθόδροµο προσαρµοστικό δίκτυο.
Το προσαρµοστικό δίκτυο που φαίνεται στην Εικόνα 37 είναι εµπροσθόδροµο, µιας
και η έξοδος κάθε κόµβου διαδίδεται από την πλευρά της εισόδου (αριστερά) προς την
πλευρά της εξόδου (δεξιά) πάντα. Αν υπάρχει σύνδεσµος ανάδρασης που σχηµατίζει ένα
κυκλικό µονοπάτι στο δίκτυο, τότε το δίκτυο είναι επαναληπτικό.
Εικόνα 38: Ένα επαναληπτικό προσαρµοστικό δίκτυο.
Η Εικόνα 38 είναι ένα παράδειγµα. Στα γραφήµατα, ένα εµπροσθόδροµο δίκτυο
αναπαριστάται από ένα κυκλικό κατευθυνόµενο γράφηµα που δεν περιέχει κατευθυνόµενους
κύκλους, ενώ ένα επαναληπτικό δίκτυο περιέχει πάντα τουλάχιστον ένα κατευθυνόµενο
κύκλο.
Στην αναπαράσταση µε επίπεδα του εµπροσθόδροµου προσαρµοστικού δικτύου στην
Εικόνα 36, δεν υπάρχουν σύνδεσµοι µεταξύ κόµβων στο ίδιο επίπεδο, και οι έξοδοι των
κόµβων σε ένα συγκεκριµένο επίπεδο είναι πάντα συνδεδεµένοι µε κόµβους σε διαδοχικά
επίπεδα. Αυτή η αναπαράσταση είναι συνήθως προτιµητέα εξ αιτίας της εύκολης
διαµόρφωσής της επειδή οι κόµβοι στο ίδιο επίπεδο έχουν την ίδια λειτουργία ή γεννούν το
ίδιο επίπεδο αφαίρεσης όσων αφορά τα διανύσµατα εισόδου.
Μια άλλη αναπαράσταση εµπροσθόδροµου δικτύου είναι η αναπαράσταση
τοπολογικής ταξινόµησης η οποία ετικετοποιεί τους κόµβους σε µια διατεταγµένη ακολουθία
1,2,3, ..., τέτοια που να µην υπάρχουν σύνδεσµοι από τον κόµβο i στον κόµβο j, οποτεδήποτε
i≥ j. Η Εικόνα 37 είναι η αναπαράσταση τοπολογικής ταξινόµηση (topological ordering
representation) του δικτύου στη Εικόνα 36. Αυτή η αναπαράσταση είναι λιγότερο
διαµορφώσιµη από ότι η αναπαράσταση µε επίπεδα, όµως διευκολύνει τον σχηµατισµό
κανόνων εκπαίδευσης. Η αναπαράσταση τοπολογικής ταξινόµησης είναι στην
πραγµατικότητα µια ειδική περίπτωση της αναπαράστασης µε επίπεδα, µε έναν κόµβο ανά
επίπεδο.
66
Ένα εµπροσθόδροµο προσαρµοστικό δίκτυο είναι στην πραγµατικότητα µια στατική
αντιστοίχηση µεταξύ των χωρών εισόδου και εξόδου. Αυτή η αντιστοιχία µπορεί να είναι µια
απλή γραµµική σχέση ή µη γραµµική, εξαρτώµενη από την δοµή του δικτύου (διάταξη
κόµβων και συνδέσεων) και την λειτουργία κάθε κόµβου. .Για να κατασκευάσουµε ένα
προσαρµοστικό δίκτυο χρησιµοποιούµε ένα σύνολο δεδοµένων προς εκπαίδευση και κάποιες
διαδικασίες όπως οι κανόνες εκπαίδευσης ή οι προσαρµοστικοί αλγόριθµοι για την
τροποποίηση των παραµέτρων για να βελτιώσουµε την απόδοση του δικτύου.
Συνήθως η απόδοση ενός δικτύου µετριέται ως η διαφορά µεταξύ της επιθυµητής
εξόδου και της πραγµατικής κάτω από τις ίδιες συνθήκες. Αυτή η διαφορά ονοµάζεται
µέτρηση σφάλµατος. Γενικότερα, ένας κανόνας εκπαίδευσης εξάγεται από την εφαρµογή
µιας συγκεκριµένης τεχνικής βελτιστοποίησης για µια δεδοµένη µέτρηση σφάλµατος.
3.6 Παραδείγµατα Προσαρµοστικών ∆ικτύων
3.6.1 Προσαρµοστικό ∆ίκτυο µε ένα Γραµµικό Κόµβο (Linear Node)
Στη παρακάτω εικόνα απεικονίζεται ένα προσαρµοστικό δίκτυο µε ένα κόµβο.
Ορίζεται: 3 3 1 2 1 2 3 1 1 2 2 3( , ; , , )x f x x a a a a x a x a= = + +
Όπου 1 2,x x είναι οι είσοδοι, και 1 2 3, ,a a a είναι οι τροποποιήσιµες παράµετροι.
Η συνάρτηση προσδιορίζει ένα επίπεδο σε έναν χώρο x1-x2 και βάζοντας διάφορες
τιµές για τις παραµέτρους, µπορούµε να τοποθετήσουµε αυτό το επίπεδο αυθαίρετα όπως
εµείς θέλουµε. Χρησιµοποιώντας το τετραφωνικό σφάλµα ως το σφάλµα µέτρησης για το
δίκτυο, µπορούµε να αναγνωρίσουµε τις βέλτιστες παραµέτρους µέσω της µεθόδου εκτίµηση
των γραµµικών ελαχίστων τετραγώνων.
Εικόνα 39: Ένα γραµµικό προσαρµοστικό δίκτυο µε ένα κόµβο.
67
3.6.2 ∆ίκτυο Percepton
Εάν προσθέσουµε και έναν άλλο κόµβο ώστε να επιτρέψουµε στην έξοδο του δικτύου
στην Εικόνα 39 να παίρνει µόνο δυο τιµές 0 και 1, τότε παίρνουµε το µη γραµµικό δίκτυο της
Εικόνας 40.
Οι κόµβοι εκφράζονται:
3 3 1 2 1 2 3 1 1 2 2 3( , ; , , )x f x x a a a a x a x a= = + +
και
Όπου ƒ3 είναι µια γραµµική συνάρτηση και ƒ4 είναι µια βηµατική συνάρτηση που
αντιστοιχεί το x3 είτε στο 0 είτε στο 1.
Την ολική συνάρτηση του δικτύου µπορούµε να την δούµε σαν ένα γραµµικό
ταξινοµητή. Ό πρώτος κόµβος σχηµατίζει ένα όριο απόφασης σαν µια ευθεία γραµµή στον
χώρο των x1- x2; Και ο δεύτερος κόµβος δείχνει σε ποιο ηµι-επίπεδο ανήκει το διάνυσµα
εισόδου (x1, x2). Μπορεί να σχηµατιστεί ένα ισοδύναµο ηµι-επίπεδο µε ένα µόνο κόµβο όπου
η συνάρτηση των ƒ3 και ƒ4 . Ο κόµβος που προκύπτει είναι ένα δοµικό υλικό.
Εικόνα 40: Ένα µη γραµµικό προσαρµοστικό δίκτυο µε 1 κόµβο.
Μιας και η βηµατική συνάρτηση είναι ασυνεχής σε ένα σηµείο και επίπεδη σε όλα τα
άλλα σηµεία. Μια εναλλακτική λύση είναι να χρησιµοποιήσουµε της σιγµοειδή συνάρτηση
σαν µια συθλιπτική συνάρτηση που παίρνει τιµές από 0 έως 1.
34 4 3
1( )
1 xx f x
e−= =
+
68
3.6.3 Ένα Πολυεπίπεδο Percepton
Στη Εικόνα 41 βλέπουµε την αρχιτεκτονική για ένα πολύ-επίπεδο percepton µε τρεις
εισόδους, δυο εξόδους και τρεις κρυµµένους κόµβους που δεν συνδέονται απευθείας ούτε σε
είσοδο ούτε σε έξοδο.
Εικόνα 41: Ένα νευρωνικό δίκτυο µε δοµή 3-3-2.
Κάθε κόµβος σε ένα δίκτυο αυτού του τύπου έχει την ίδια συνάρτηση κόµβου, που
είναι σύνθεση µιας γραµµικής ƒ3 και µιας σιγµοειδούς ƒ4 . ∆ηλ. η συνάρτηση κόµβου στον
κόµβο 7 στην παραπάνω εικόνα είναι:
7
4,7 4 5,7 5 6,7 6 7
1
1 exp[ ( )]x
w x w x w x t=
+ − + + +
όπου x4, x5 και x6 είναι οι έξοδοι από τους κόµβους 4,5 και 6 αντίστοιχα και το σύνολο των
παραµέτρων του κόµβου 7 δηλώνεται µε το w4,7 w5,7 w6,7, t 7. Συνήθως το wi,j , είναι το
βάρος που σχετίζεται µε τον σύνδεσµο που ενώνει τον ι-οστό κόµβο και τον j-οστό κόµβο,
και το t j σαν το κατώφλι (threshold) που συνδέεται µε τον κόµβο j.
Γενικά, ένας σύνδεσµος δείχνει µόνο την κατεύθυνση της ροής σήµατος µεταξύ των
συνδεδεµένων κόµβων.
69
4. Προσαρµοστικό Νεύρο-Ασαφές Σύστηµα Εξαγωγής Συµπεράσµατος
(Adaptive Neuro-Fuzzy Inferences Systems – ANFIS)
4.1 Η Αρχιτεκτονική του ANFIS
Ο αλγόριθµος ANFIS είναι από τους κυριότερους αλλά και ταυτόχρονα από τους
πρώτους που εφαρµόστηκαν στο πεδίο της νεύρο-ασαφούς προσέγγισης προβληµάτων.
Παρακάτω περιγράφεται το δίκτυο, υποθέτοντας ότι το πρόβληµα το οποίο θα αναλυθεί έχει
δύο εισόδους x και y και µία έξοδο z. Υποθέτοντας ότι για ένα α΄ τάξης µοντέλο Sugeno, µία
τυπική βάση κανόνων ( rule base ) θα µπορούσε να είναι και η εξής:
Κανόνας 1: Εάν x είναι Α1 και y είναι Β1 τότε 1 1 1 1* *f p x q y r= + +
Κανόνας 2: Εάν x είναι Α2 και y είναι Β2 τότε 2 2 2 2* *f p x q y r= + +
Η Εικόνα 31 (σελ.54) δείχνει µε απλό τρόπο τη διαδικασία συµπερασµού (inference
procedure) του µοντέλου Sugeno, στην περίπτωση όπου για t-operator έχει επιλεγεί η τοµή
των δύο ασαφών συνόλων (Α,Β), οπότε A B
µ ∩ (x)= min [µA (x), µB (x)].
Όπως γίνεται φανερό, η έξοδος z του πρωτοβάθµιου µοντέλου Sugeno είναι ένας
σταθµικός µέσος όρος. Η αντίστοιχη αναπαράσταση του δικτύου ANFIS παρουσιάζεται στην
παρακάτω εικόνα.
Εικόνα 42: Η αρχιτεκτονική ενός ANFIS.
Η παραπάνω εικόνα απεικονίζει τον συλλογιστικό µηχανισµό (reasoning) για αυτό το
µοντέλο Sugeno και η αντίστοιχη ισοδύναµη αρχιτεκτονική του ANFIS όπου οι κόµβοι του
ίδιου επιπέδου έχουν παρόµοιες συναρτήσεις. Παρακάτω παρουσιάζεται πιο αναλυτικά η
διεργασία που εκτελείται σε κάθε επίπεδο.
Επίπεδο 1:
Κάθε κόµβος i σε αυτό το επίπεδο είναι ένας προσαρµόσιµος (adaptive) κόµβος µε µια
συνάρτηση κόµβου
70
1, ( )ii A
O xµ= για i=1,2 ή
21, ( )ii B
O yµ−
= για i=3,4 ή
1, ( )ji c
O yµ= για i=j+4 & j=1,2
Όπου x (ή y ή z) η είσοδος στον κόµβο i, Ai (ή Βi-2 ή Cj) η γλωσσική µεταβλητή που
σχετίζεται µε αυτή τη συνάρτηση του κόµβου.
Με άλλα λόγια, το Ο1,i είναι ο βαθµός συµµετοχής του Α(=Α1,A2,B1,B2,C1,C2) και καθορίζει
το βαθµό στον οποίο η είσοδος x (ή y ή z) ικανοποιεί τον ποσοτικοποίητη Α. Εδώ η
συνάρτηση συµµετοχής για το Α µπορεί να είναι οπoιαδήποτε κατάλληλη παραµετρική
συνάρτηση συµµετοχής όπως η καµπανοειδής:
2
11*
2( ) i
i
x c
a
Ax eµ
−−
=
όπου ai ,ci είναι το σύνολο των παραµέτρων.
Καθώς οι τιµές αυτών των παραµέτρων αλλάζουν, οι συναρτήσεις ποικίλλουν
ανάλογα, παρουσιάζοντας έτσι διάφορες µορφές της συνάρτησης συµµετοχής για το ασαφές
σύνολο A . Οι παράµετροι σε αυτό το επίπεδο αναφέρονται ως αρχικοί παράµετροι (premise
parameters).
Επίπεδο 2:
Κάθε κόµβος σε αυτό το επίπεδο είναι ένας σταθερός (fixed) κόµβος Π, του οποίου η έξοδος
είναι το γινόµενο όλων των εισερχόµενων σηµάτων:
1 12, ( )* ( )* ( )ii i A B C
O w x y zµ µ µ= = για i=1,2
1 2 22, ( )* ( )* ( )ii i A B C
O w x y zµ µ µ−
= = για i=3,4 ή
2 22, ( )* ( )* ( )i ji i A B C
O w x y zµ µ µ−
= = για i=j+4 & j=1,2
2 2 22, ( )* ( )* ( )ji i A B C
O w x y zµ µ µ−
= = για i=j+4 & j=3,4
Επίπεδο 3:
Κάθε κόµβος σε αυτό το επίπεδο είναι ένας σταθερός κόµβος Ν. Ο i-ιστός κόµβος υπολογίζει
το λόγο της βαθµού ενεργοποίησης (firing strength) του i-οστού κανόνα στο άθροισµα των
βαθµών ενεργοποίησης όλων των κανόνων:
3,
1 2 3 4 5 6 7 8
ii i
wO w
w w w w w w w w= =
+ + + + + + + για i=1,2,3,4,5,6,7,8.
Για ευκολία, οι έξοδοι αυτού του επιπέδου ονοµάζονται κανονικοποιηµένοι βαθµοί
ενεργοποίησης (normalized firing strengths).
71
Επίπεδο 4:
Κάθε κόµβος i σε αυτό το επίπεδο είναι ένας προσαρµόσιµος κόµβος µε µία συνάρτηση
κόµβου.
4, * *( * * * )i i i i i i i iO w f w p x q y s z r= = + + +
όπου: i
w η έξοδος του επιπέδου 3, , , ,i i i ip q s r το σύνολο των παραµέτρων. Οι παράµετροι
σε αυτό το επίπεδο αναφέρονται ως επακόλουθοι.
Επίπεδο 5:
Ο µοναδικός κόµβος σε αυτό το επίπεδο είναι ένας σταθερός κόµβος Σ που υπολογίζει τη
συνολική έξοδο σαν το ολικό άθροισµα όλων των εισερχόµενων σηµάτων:
Overall output= 5,
*
*i i
ii i i
i i
i
w f
O w fw
= =∑
∑ ∑
Αυτό το προσαρµοστικό δίκτυο είναι λειτουργικά ισοδύναµο µε το ασαφές µοντέλο Sugeno.
Μπορούµε να συνδυάσουµε τα επίπεδα 3 και 4 για να αποκτήσουµε ένα ισοδύναµο δίκτυο µε
τέσσερα µόνο επίπεδα. Με το ίδιο δείγµα µπορούµε να πραγµατοποιήσουµε την
κανονικοποίηση των βαρών στο τελευταίο επίπεδο. Το σχήµα 5.3 απεικονίζει ένα ANFIS
αυτού του τύπου. Στην ακραία περίπτωση µπορούµε να συρρικνώσουµε ακόµα και όλο το
δίκτυο, σε έναν µόνο προσαρµοστικό κόµβο µε το ίδιο σύνολο παραµέτρων. Η ανάθεση
συναρτήσεων κόµβων και η σύνθεση του δικτύου είναι αυθαίρετες, εφόσον κάθε κόµβος και
κάθε επίπεδο πραγµατοποιούν λειτουργίες που είναι σηµαντικές και έχουν δυνατότητα να
αποτελούνται από επιµέρους τµήµατα.
Εικόνα 43: Η αρχιτεκτονική του ANFIS για το ασαφές σύνολο Sugeno, µε την κανονικοποίηση να γίνεται στο
τελευταίο επίπεδο.
Εκτός από το µηχανισµό συµπερασµού του Sugeno, µπορούµε να κατασκευάσουµε
ANFIS και µε το µοντέλο Mamdami. Το Sugeno χρησιµοποιείται περισσότερο συχνά, µιας
και διακρίνεται για την διαφάνεια και την αποτελεσµατικότητα του. Στο σχήµα 5.4 (α)
βλέπουµε µια αρχιτεκτονική ANFIS που είναι ισοδύναµη µε ένα ασαφές µοντέλο Sugeno
πρώτου βαθµού δυο εισόδων και εννέα κανόνων, σε κάθε είσοδο θεωρούµε ότι αντιστοιχούν
72
τρεις συναρτήσεις συµµετοχής. Το σχήµα 5.4 (β) απεικονίζει πως δύο διαστάσεων χώρος
εισόδου είναι χωρισµένος σε εννέα υπέρθετες (overlapping) ασαφείς περιοχές όπου κάθε µια
ελέγχεται από ένα ασαφή κανόνα if-then. Αυτό σηµαίνει ότι το µέρος των προϋποθέσεων
ενός κανόνα προσδιορίζει µια ασαφή περιοχή, ενώ το µέρος των συµπερασµάτων
προσδιορίζει την έξοδο µέσα στην περιοχή.
Εικόνα 44: (α) Η αρχιτεκτονική του ANFIS για το ασαφές µοντέλο Sugeno µε 2 εισόδους και 9 κανόνες, (b) ο χώρος
εισόδου, χωρισµένος σε 9 ασαφείς περιοχές.
4.2 Υβριδικός Αλγόριθµος Εκπαίδευσης
Το ANFIS χρησιµοποιεί έναν υβριδικό αλγόριθµο εκµάθησης για να προσδιορίσει τις
παραµέτρους του ασαφούς συστήµατος τύπου Sugeno. Εφαρµόζει έναν συνδυασµό της
µεθόδου ελαχίστων τετραγώνων (least-squares) και της µεθόδου οπισθόδροµης βαθµωτής
ελαχιστοποίησης (back-propagation gradient descent) για την εκπαίδευση παραµέτρων των
συναρτήσεων συµµετοχής του FIS ώστε να µιµηθεί ένα δοσµένο σύνολο δεδοµένων
εκπαίδευσης.
4.2.1 Εκτιµητής Ελαχίστων Τετραγώνων
Στο γενικό πρόβληµα ελαχίστων τετραγώνων, η έξοδος του γραµµικού µοντέλου y
δίνεται από τη γραµµικά παραµετρικοποιηµένη έκφραση:
1 1 2 2( ) ( ) ( )n n
y f u f u f uϑ ϑ ϑ= + + +K
73
Όπου 1, ,T
pu u u = K είναι το διάνυσµα εισόδου του µοντέλου, 1, ,
nf fK είναι η γνωστές
συναρτήσεις του u και 1, ,n
θ θK είναι άγνωστες παραµέτρους που θα υπολογιστούν. Η
παραπάνω εξίσωση καλείται συνάρτηση παλινδρόµησης, και τα θi ονοµάζονται συντελεστές
παλινδρόµησης.
Για να προσδιοριστούν οι άγνωστες παράµετροι θi , συνήθως πρέπει να εκτελεστούν
πειράµατα για να βρεθεί ένα σύνολο δεδοµένων εκπαίδευσης που αποτελείται από τα
ζευγάρια δεδοµένων (ui , yi ), i= 1,...,mτα οποία αντιπροσωπεύουν τα επιθυµητά ζευγάρια
εισόδου-εξόδου του συστήµατος στόχου που θα µοντελοποιηθεί. Η αντικατάσταση κάθε
ζευγαριού στοιχείων σε αυτήν την εξίσωση παράγει ένα σύνολο γραµµικών εξισώσεων m:
1 1 1 2 1 2 1 1( ) ( ) ( )n n
f u f u f u yθ θ θ+ + + =K
1 2 1 2 2 2 2 2( ) ( ) ( )n n
f u f u f u yθ θ θ+ + + =K
⋯
1 1 2 2( ) ( ) ( )n n n n n n
f u f u f u yθ θ θ+ + + =K
Σε µορφή πινάκων, οι προηγούµενες εξισώσεις µπορούν να γραφτούν σε συνοπτική
µορφή:
Αθ=y (1)
Όπου Α είναι ένας m*n πίνακας (πίνακας σχεδιασµού):
1 1 1
1
( ) ( )
( ) ( )
n
m n m
f u f u
A
f u f u
=
K
M O M
L
θ είναι ένα n*1 διάνυσµα αγνώστων παραµέτρων:
1
n
θ
θθ
=
M
και y είναι ένα m*1 διάνυσµα εξόδου:
1
m
y
y
y
=
M
Η i-οστή σειρά του ενωµένου πίνακα δεδοµένων [ ]A yM που δηλώνεται µε T
i ia y M ,
σχετίζεται µε το i-οστό ζευγάρι δεδοµένων i i
u y M , µέσω της [ ]1( ), , ( )T
i i n ia f u f u= K . Το
µεγαλύτερο µέρος των υπολογισµών βασίζεται στους πίνακες Α και y, µερικές φορές γίνεται
74
αναφορά στο T
i ia y M σαν το i-οστό ζευγάρι δεδοµένων του συνόλου δεδοµένων
εκπαίδευσης.
Για να προσδιοριστεί µεµονωµένα το άγνωστο διάνυσµα θ , είναι απαραίτητο να
ισχύει m ≥ n . Αν ο A είναι τετραγωνικός (m = n) και αντιστρέψιµος, τότε η παραπάνω
εξίσωση µπορεί να λυθεί ως προς τον άγνωστο x και γίνεται:
1A yθ −=
Ο m είναι συνήθως µεγαλύτερος από τον n , που σηµαίνει ότι υπάρχουν περισσότερα
ζευγάρια στοιχείων από τις παραµέτρους. Σε αυτήν την περίπτωση, µια ακριβής λύση που να
ικανοποιεί όλες τις m εξισώσεις δεν είναι πάντα δυνατή, δεδοµένου ότι τα στοιχεία µπορεί να
µολυνθούν από θόρυβο, ή το µοντέλο µπορεί να µην είναι κατάλληλο για την περιγραφή του
συστήµατος στόχου. Κατά συνέπεια η εξίσωση (1) πρέπει να τροποποιηθεί µε την
ενσωµάτωση ενός διανύσµατος λάθους e για να αποτελέσει το τυχαίο λάθος θορύβου ή το
τυχαίο λάθος διαµόρφωσης ως εξής:
A e yθ + =
Αντί της εύρεσης της ακριβούς λύσης στην εξίσωση (1), πρέπει να βρεθεί το
θ θ=)
που ελαχιστοποιεί το άθροισµα του τετραγωνικού σφάλµατος και ορίζεται ως:
2
1
( ) ( ) ( ) *( )m
r r r
i i
i
E y a e e y A y Aθ θ θ θ=
= − = = − −∑ (2)
όπου e=y-Aθ είναι το διάνυσµα λάθους που παράγεται από µια συγκεκριµένη επιλογή του θ.
Πρέπει να σηµειωθεί ότι το ( )E θ είναι σε τετραγωνική µορφή και έχει ένα µοναδικό
ελάχιστο θ θ=)
. Το ακόλουθο θεώρηµα δηλώνει ένα απαραίτητο όρο που ικανοποιείται από
τον εκτιµητή ελαχίστων τετραγώνων θ)
.
Θεώρηµα 1: Εκτιµητής Ελαχίστων Τετραγώνων: Το τετραγωνικό σφάλµα στην εξίσωση 2
ελαχιστοποιείται όταν θ θ=)
, ο οποίος καλείται εκτιµητής ελαχίστων τετραγώνων (LSE) και
ο οποίος ικανοποιεί την εξίσωση:
r rA A A yθ = (3)
Αν ο TA A είναι αντιστρέψιµος, ο θ)
είναι µοναδικός και δίνεται από την:
1( )T TA A A yθ − −=)
(4)
75
4.2.2 Οπισθοδρόµηση για Πρωσο-Τροφοδοτούµενα ∆ίκτυα
Η ενότητα αυτή παρουσιάζει ένα βασικό κανόνα εκµάθησης για προσαρµόσιµα
δίκτυα, που είναι στην ουσία η πιο απλή µέθοδος βαθµωτής ελαχιστοποίησης. Το κεντρικό
µέρος αυτού του κανόνα εκµάθησης αφορά στο πως να επιλεγεί επαναληπτικά ένα διάνυσµα
κλίσης στο οποίο κάθε στοιχείο ορίζεται ως την παράγωγο ενός µέτρου σφάλµατος ως προς
µια παράµετρο. Αυτό γίνεται µε τη βοήθεια του κανόνα αλυσίδας, ενός βασικού τύπου για το
διαφορισµό σύνθετων συναρτήσεων ο οποίος αναλύεται σε κάθε εγχειρίδιο µαθηµατικών. Η
διαδικασία εύρεσης ενός διανύσµατος κλίσης σε ένα δίκτυο αναφέρεται γενικά σαν
οπισθοδρόµηση (backpropagation) επειδή το διάνυσµα κλίσης υπολογίζεται σε κατεύθυνση
αντίθετη από τη ροή της εξόδου κάθε κόµβου. Μόλις επιλεγεί η κλίση, διάφορες τεχνικές
βελτιστοποίησης και παλινδρόµησης βασισµένες στις παραγώγους είναι διαθέσιµες για την
ενηµέρωση των παραµέτρων. Ειδικότερα, εάν χρησιµοποιούµε το διάνυσµα κλίσης σε µια
απλή µέθοδο βαθµωτής ελαχιστοποίησης, το προκύπτον παράδειγµα εκµάθησης αναφέρεται
συχνά ως κανόνας οπισθόδροµης εκµάθησης.
Έστω ότι δεδοµένο πρωσο-τροφοδοτούµενο προσαρµόσιµο δίκτυο στην
αναπαράστασή του σε επίπεδα έχει L επίπεδα και το επίπεδο l (όπου l = 0,1,..., L; l = 0
αντιπροσωπεύει το επίπεδα εισαγωγής) έχει N(l) κόµβους. Τότε η έξοδος και η συνάρτηση
του κόµβου i [i = 1,..., N(l)] στο επίπεδο l µπορούν να αναπαρασταθούν σαν xl,i και fl,i ,
αντίστοιχα. Ας υποτεθεί ότι δεν υπάρχει καµία σύνδεση µεταξύ µη συνεχόµενων στρωµάτων.
∆εδοµένου ότι η έξοδος ενός κόµβου εξαρτάται από τα εισερχόµενα σήµατα και το σύνολο
παραµέτρων του κόµβου, προκύπτει η ακόλουθη γενική έκφραση για τη συνάρτηση των
κόµβων fl,i :
, , 1,1 1, ( 1)( , , , , , , )l i l i l l N l
x f x x α β γ− − −= K K
όπου α, β, γ κλπ. είναι οι παράµετροι αυτού του κόµβου.
Υποθέτοντας ότι το δοσµένο σύνολο δεδοµένων εκπαίδευσης έχει P καταχωρήσεις,
µπορεί να οριστεί ένα µέτρο σφάλµατος για την p-οστή (1 ≤ p ≤ P) καταχώρηση των
δεδοµένων εκπαίδευσης σαν το άθροισµα των τετραγωνικών σφαλµάτων:
( )2
,
1
( )N l
p k L k
k
d x=
Ε = −∑
όπου dk είναι το k-οστό συστατικό του p-οστού επιθυµητού διανύσµατος εξόδου και ,L kx είναι
το k-οστό συστατικό του πραγµατικού διανύσµατος εξόδου που παράγεται µε την
παρουσίαση του p-οστού διανύσµατος εισόδου στο δίκτυο. Προφανώς, όταν το Ep είναι ίσο
µε το µηδέν, το δίκτυο είναι ικανό να αναπαράγει ακριβώς το επιθυµητό διάνυσµα εξόδου
στο p-οστό ζευγάρι δεδοµένων εκπαίδευσης. Ο στόχος εδώ είναι να ελαχιστοποιηθεί ένα
συνολικό µέτρο σφάλµατος, που ορίζεται ως:
1
p
p pE E==∑
76
Επιπλέον, ας υποτεθεί ότι το P E εξαρτάται µόνο από τους κόµβους εξόδου. Για να
χρησιµοποιηθεί η βαθµωτή ελαχιστοποίηση ώστε να ελαχιστοποιηθεί το µέτρο σφάλµατος,
πρέπει πρώτα να βρεθεί το διάνυσµα κλίσης. Πριν υπολογιστεί το διάνυσµα κλίσης, πρέπει να
παρατηρηθούν οι ακόλουθες αιτιώδεις σχέσεις:
όπου τα βέλη ⇒ δείχνουν τις αιτιώδεις σχέσεις. ∆ηλαδή, µια µικρή αλλαγή σε µια
παράµετρο a θα επηρεάσει την έξοδο του κόµβου που περιέχει το a . Αυτό µε τη σειρά του θα
επηρεάσει την έξοδο του τελευταίου επιπέδου και συνεπώς το µέτρο σφάλµατος.
Η βασική αρχή στον υπολογισµό του διανύσµατος κλίσης είναι να περαστούν µια
σειρά από πληροφορίες παραγώγων ξεκινώντας από το επίπεδο εξόδου και πηγαίνοντας
ανάποδα από επίπεδο σε επίπεδο έως ότου καταλήξει η διαδικασία στο επίπεδο εισόδου.
Το σήµα σφάλµατος ,l i∈ ορίζεται σαν τη παράγωγο του µέτρου σφάλµατος Ep ως
προς την έξοδο του κόµβου i στο επίπεδο l , λαµβάνοντας υπόψη και τις άµεσες και τις
έµµεσες πορείες.
,
,
p
l i
l i
E
x
+∂∈ =
∂
Η έκφραση αυτή ονοµάστηκε διατεταγµένη παράγωγος από τον Werbos.
Το σήµα σφάλµατος για τον i-οστό κόµβο εξόδου (στο επίπεδο L ) µπορεί να
υπολογιστεί απευθείας:
,
, ,
p p
l i
l i l i
E E
x x
+∂ ∂∈ = =
∂ ∂
Αυτό ισούται µε ,l i∈ =-2(di-xL,i) αν το Ep ορίζεται όπως προηγουµένως. Για τον εσωτερικό
κόµβο στην i-οστή θέση του επιπέδου l , το σήµα σφάλµατος µπορεί να βρεθεί από τον
κανόνα αλυσίδας:
( 1) ( 1)1, 1,
, 1,
1 1, 1, , ,
*N l N l
p p l m l m
l i l m
m ml i l m l i l i
E E f f
x x x x
+ ++ ++ +
+= =+
∂ ∂ ∂ ∂∈ = = = ∈
∂ ∂ ∂ ∂∑ ∑
όπου 0 1l L≤ ≤ − . ∆ηλαδή το σήµα σφάλµατος ενός εσωτερικού κόµβου στο στρώµα l
µπορεί να εκφραστεί ως γραµµικός συνδυασµός των κόµβων στο στρώµα l +1. Εποµένως,
για οποιοδήποτε l και i και [και 1 ( )i N l≤ ≤ ] , µπορούν να βρεθούν τα :
,
,
p
l i
l i
E
x
+∂∈ =
∂
77
εφαρµόζοντας πρώτα την πρώτη εξίσωση µία φορά για να υπολογιστούν τα σήµατα
σφάλµατος στο επίπεδο εξόδου, και έπειτα εφαρµόζοντας την δεύτερη εξίσωση
επαναληπτικά έως ότου καταλήξει η διαδικασία στο επιθυµητό επίπεδο l . Η διαδικασία αυτή
καλείται οπισθοδρόµηση δεδοµένου ότι τα σήµατα σφάλµατος λαµβάνονται διαδοχικά από το
επίπεδο εξόδου προς το επίπεδο εισόδου.
Το διάνυσµα κλίσης ορίζεται ως την παράγωγο του µέτρου σφάλµατος ως προς κάθε
παράµετρο, έτσι πρέπει να εφαρµοστεί ο κανόνας αλυσίδας ξανά για να βρεθεί το διάνυσµα
κλίσης. Εάν a είναι µια παράµετρος του i-οστού κόµβου στο επίπεδο l , τότε ισχύει:
, ,
,
,
*p p l i l i
l i
l i
E E f f
a x a a
+ +∂ ∂ ∂ ∂= =∈
∂ ∂ ∂ ∂
Ας σηµειωθεί ότι αν επιτραπεί στην παράµετρο α να µοιράζεται µεταξύ διαφορετικών
κόµβων, τότε η παραπάνω εξίσωση πρέπει να αλλαχθεί σε µια πιο γενική µορφή:
*
*
**
p p
x S
E E f
a x a
+ +
∈
∂ ∂ ∂=
∂ ∂ ∂∑
όπου S είναι το σύνολο των κόµβων που περιέχουν το a σαν παράµετρο ενώ x* και f* είναι η
έξοδος και η συνάρτηση, αντίστοιχα, ενός γενικού κόµβου στο S.
Η παράγωγος του γενικού µέτρου σφάλµατος E ως προς το a είναι:
1
pp p
p
E E
a a
+ +
=
∂ ∂=
∂ ∂∑
Συνεπώς, για την απλούστερη βαθµωτή ελαχιστοποίηση χωρίς ελαχιστοποίηση
γραµµών, ο τύπος για τη γενική παράµετρο a είναι:
pE
aa
ϑη
+
∆ = −∂
όπου το η ο ρυθµός εκµάθησης, το οποίο µπορεί να εκφραστεί περαιτέρω ως:
2
k
Ea
a
η =∂
∂ ∑
όπου το k είναι το µέγεθος βήµατος, το µήκος δηλαδή κάθε µετάβασης κατά µήκος της
κατεύθυνσης κλίσης στο διάστηµα παραµέτρου. Συνήθως το µέγεθος βήµατος µπορεί να
αλλαχθεί για να µεταβληθεί η ταχύτητα της σύγκλισης.
Όταν ένα πρωσο-τροφοδοτούµενο δίκτυο n-κόµβων αναπαριστάται στην τοπολογική
του διάταξη, µπορεί να υπολογιστεί το µέτρο σφάλµατος Ep σαν την έξοδο ενός επιπλέον
κόµβου µε ένδειξη n +1, του οποίου η συνάρτηση κόµβου fn+1 µπορεί να οριστεί από τις
εξόδους κάθε κόµβου µε µικρότερη ένδειξη. (Εποµένως, το Ep µπορεί να εξαρτάται άµεσα
78
από οποιουσδήποτε κόµβους.) Εφαρµόζοντας πάλι τον κανόνα αλυσίδας, ισχύει ο ακόλουθος
συνοπτικός τύπος για τον υπολογισµό του σήµατος σφάλµατος p
i
i
E
x
∂∈ =
∂:
1 jni j
i j ni i
ff
x x
+
< ≤
∂∂∈ = + ∈
∂ ∂∑
όπου ο πρώτος όρος δείχνει µια άµεση επίδραση του xi στο Ep µέσω της άµεσης διαδροµής
από τον κόµβο i στον κόµβο n +1 και κάθε όρος παραγώγου στο άθροισµα δείχνει την
έµµεση επίδραση του xi στο Ep. Μόλις βρεθεί το σήµα σφάλµατος για κάθε κόµβο, τότε το
διάνυσµα κλίσης για τις παραµέτρους παράγεται όπως πριν.
Ένας άλλος συστηµατικός τρόπος να υπολογιστούν τα σήµατα σφάλµατος είναι µέσω
της αναπαράστασης του δικτύου διάδοσης σφάλµατος (ή του µοντέλου ευαισθησίας), το
οποίο λαµβάνεται από το αρχικό προσαρµόσιµο δίκτυο µε την αντιστροφή των συνδέσεων
και την παροχή των σηµάτων σφάλµατος στο επίπεδο εξόδου ως είσοδοι στο νέο δίκτυο. Η
ακόλουθη εικόνα δείχνει το µοντέλο ANFIS και το δίκτυο διάδοσης σφάλµατος του:
Εικόνα 45: Το προσαρµόσιµο δίκτυο.
Εικόνα 46: Το δίκτυο διάδοσης του σφάλµατος.
79
Τώρα θα υπολογιστούν τα σήµατα σφάλµατος στους εσωτερικούς κόµβους.
Χρησιµοποιούνται τα fi και xi για το συµβολισµό της συνάρτησης και της εξόδου του κόµβου
i . Η έξοδος του κόµβου i είναι το σήµα σφάλµατος αυτού του κόµβου στο πραγµατικό
προσαρµόσιµο δίκτυο. Σε σύµβολα, αν επιλεχθεί το τετραγωνικό µέτρο σφάλµατος για Ep ,
τότε ισχύει το ακόλουθο: 19 19 192( )d x∈ = − −
` Αυτό είναι επειδή ο κόµβος 19 είναι µόνο ένας κόµβος προσωρινής αποθήκευσης στο
δίκτυο διάδοσης σφάλµατος. Για τους κόµβους 15, 16, 17 και 18 ισχύουν:
1918 19
18
f
x
∂∈ =∈
∂
1917 19
17
f
x
∂∈ =∈
∂
1916 19
16
f
x
∂∈ =∈
∂
1915 19
15
f
x
∂∈ =∈
∂
Αυτό είναι επειδή όλοι αυτοί οι κόµβοι εξαρτώνται από τον κόµβο 19. Αυτό ισχύει και για
τους κόµβους 11, 12, 13 και 14 µε τη διαφορά ότι κάθε ένας από αυτούς εξαρτάται από
διαφορετικό κόµβο:
1814 18
14
f
x
∂∈ =∈
∂
1713 17
13
f
x
∂∈ =∈
∂
1612 16
12
f
x
∂∈ =∈
∂
1511 15
11
f
x
∂∈ =∈
∂
Αντιθέτως, οι κόµβοι 7, 8, 9 και 10 εξαρτώνται από τέσσερις διαφορετικούς κόµβους όπως
φαίνεται στην εικόνα 46. Έτσι, ισχύει:
1314 12 1110 14 13 12 11
10 10 10 10
ff f f
x x x x
∂∂ ∂ ∂∈ =∈ +∈ +∈ +∈
∂ ∂ ∂ ∂
1314 12 119 14 13 12 11
9 9 9 9
ff f f
x x x x
∂∂ ∂ ∂∈ =∈ +∈ +∈ +∈
∂ ∂ ∂ ∂
80
1314 12 118 14 13 12 11
8 8 8 8
ff f f
x x x x
∂∂ ∂ ∂∈ =∈ +∈ +∈ +∈
∂ ∂ ∂ ∂
1314 12 117 14 13 12 11
7 7 7 7
ff f f
x x x x
∂∂ ∂ ∂∈ =∈ +∈ +∈ +∈
∂ ∂ ∂ ∂
Οι κόµβοι 3, 4, 5 και 6 εξαρτώνται από δύο διαφορετικούς κόµβους και σαν αποτέλεσµα
προκύπτουν οι ακόλουθες σχέσεις:
10 86 10 8
6 6
f f
x x
∂ ∂∈ =∈ +∈
∂ ∂
9 75 9 7
5 5
f f
x x
∂ ∂∈ =∈ +∈
∂ ∂
10 94 10 9
4 4
f f
x x
∂ ∂∈ =∈ +∈
∂ ∂
8 73 8 7
3 3
f f
x x
∂ ∂∈ =∈ +∈
∂ ∂
Τέλος, οι κόµβοι 1 και 2 εξαρτώνται από δύο κόµβους και έτσι ισχύει:
522 6 5
2 2
ff
x x
∂∂∈ =∈ +∈
∂ ∂
341 4 3
1 1
ff
x x
∂∂∈ =∈ +∈
∂ ∂
4.3 Συνδυασµός Βαθµωτής Ελαχιστοποίησης & Εκτιµητή Ελαχίστων
Τετραγώνων
Η έξοδος ενός προσαρµόσιµου δικτύου είναι γραµµική σε µερικές από τις
παραµέτρους του δικτύου. Έτσι µπορούν να προσδιοριστούν αυτές οι γραµµικές παράµετροι
µε τη γραµµική µέθοδο ελαχίστων τετραγώνων που περιγράφτηκε παραπάνω. Αυτή η
προσέγγιση οδηγεί σε ένα υβριδικό κανόνα εκµάθησης που συνδυάζει τη βαθµωτή
ελαχιστοποίηση (SD) και τον εκτιµητή ελαχίστων τετραγώνων (LSE) για γρήγορο
προσδιορισµό των παραµέτρων.
Από την αρχιτεκτονική δοµή του ANFIS παρατηρούµε ότι οι τιµές των παραµέτρων
από τις προϋποθέσεις είναι προκαθορισµένες (αµετάβλητες), η ολική έξοδος µπορεί να
εκφραστεί σαν ο γραµµικός συνδυασµός των παραµέτρων από τα συµπεράσµατα. Σε
σύµβολα, η έξοδος ƒ στην Εικόνα 44 (b) ξαναγράφεται ως εξής:
81
1 21 2
1 2 1 2
w wf f f
w w w w= +
+ +=
1 1 1 1 2 2 2 2( ) ( )w p x q y r w p x q y r= + + + + +
1 1 1 1 1 1 2 2 2 2 2 2( ) ( ) ( ) ( ) ( ) ( )w x p w y q w r w x p w y q w r= + + + + +
η οποία είναι γραµµική στις παραµέτρους των συµπερασµάτων p1, q1, r1, p2, q2, και r2.
Έστω ότι S το σύνολο όλων των παραµέτρων, S1 το σύνολο των (µη γραµµικών)
παραµέτρων από τις προϋποθέσεις και S2 το σύνολο των (γραµµικών) παραµέτρων από τα
συµπεράσµατα.
Το προσαρµόσιµο δίκτυο έχει µία έξοδο που αναπαριστάται ως:
ο=F(i,S)
όπου i είναι το διάνυσµα των µεταβλητών εισόδου, S είναι το σύνολο των παραµέτρων και F
είναι η συνολική συνάρτηση που εφαρµόζεται από το προσαρµοστικό δίκτυο.
Στην εξίσωση 1 2S S S= ⊕ , και Η(.) και F(.) είναι η ταυτοτική συνάρτηση και η
συνάρτηση του FIS αντιστοίχως. Η εξίσωση H°F είναι γραµµική στα στοιχεία του S2, τότε
εφαρµόζοντας την H στην παραπάνω εξίσωση, προκύπτει ότι H(o) = H°F (Bi, S). Το ⨁
αντιπροσωπεύει την άµεση άθροιση (direct sum).
Η Η(.) είναι η ταυτοτική συνάρτηση και η F(.,.) είναι η συνάρτηση του συστήµατος
ασαφούς συµπερασµού αντίστοιχα. Συνεπώς, ο υβριδικός αλγόριθµος µάθησης που
αναπτύχθηκε παραπάνω µπορεί να εφαρµοστεί άµεσα.
Όπως είδαµε προηγουµένως ότι συµβαίνει και στα νευρωνικά δίκτυα, θα ξεχωρίσουν
δύο φάσεις στη διαδικασία εκπαίδευσης:
• Πέρασµα προς τα εµπρός (forward pass): Στη φάση αυτή το σήµα εισόδου διαδίδεται
από το επίπεδο 1 µέχρι το επίπεδο 4 και οι παράµετροι (pi, qi, ri) i = 1,2 εκτιµούνται
µε τη µέθοδο των ελαχίστων τετραγώνων.
• Πέρασµα προς τα πίσω (backward pass): Στη φάση αυτή έχοντας µία ένδειξη του
λάθους πραγµατοποιείται µία διόρθωση κατά µία ποσότητα που ορίζεται από τη
µέθοδο της βαθµωτής κατάβασης (Gradient Descent), των µεταβλητών αi, bi, ci .
Το ANFIS διασπά το σύνολο των παραµέτρων του σε δύο υποσύνολα, εκ των οποίων
το ένα αποτελεί γραµµικό σύνολο παραµέτρων και, εποµένως, είναι δυνατόν να εκπαιδευτεί
µε γραµµικούς αλγόριθµους, όπως η µέθοδος των ελαχίστων τετραγώνων (least squared). Οι
γραµµικοί αλγόριθµοι µάθησης επιτυγχάνουν συνολικά ελάχιστα (global minimums) της
συνάρτησης κόστους στο χώρο των παραµέτρων τους και είναι αποδοτικοί από πλευράς
απαιτούµενου υπολογιστικού χρόνου. Το δεύτερο υποσύνολο παραµέτρων εκπαιδεύεται µε
αλγόριθµους που µπορούν να δηµιουργήσουν µη-γραµµικές απεικονίσεις, όπως η βαθµωτή
κατάβαση (gradient descent). Οι αλγόριθµοι αυτοί είναι απαιτητικοί από πλευράς
82
απαιτούµενου χρόνου εκπαίδευσης και δεν υπάρχει εγγύηση για την πραγµατοποίηση του
συνολικού ελαχίστου της συνάρτησης κόστους στον χώρο των παραµέτρων τους. Ο
αλγόριθµος µάθησης του ANFIS συνδυάζει περάσµατα προς τα εµπρός και προς τα πίσω. Στο
πέρασµα εµπρός γίνεται η µάθηση του συνόλου των γραµµικών παραµέτρων και στο
πέρασµα προς τα πίσω γίνεται η προσαρµογή των µη-γραµµικών αντίστοιχα. Στον παρακάτω
πίνακα συνοψίζονται οι δραστηριότητες του κάθε περάσµατος.
Πίνακας 9: ∆ραστηριότητες κατά την εκπαίδευση ενός ANFIS.
Το πλεονέκτηµα της µεθόδου έγκειται στο γεγονός της ύπαρξης τόσο γραµµικών όσο
και µη γραµµικών µεθόδων, που την καθιστά ταχύτερη από τα κλασικά νευρωνικά δίκτυα. Οι
παράµετροι των συµπερασµάτων που ευρίσκονται µε αυτόν τον τρόπο, είναι βέλτιστες υπό
την προϋπόθεση ότι οι παράµετροι των προϋποθέσεων είναι προκαθορισµένες (αµετάβλητες).
Αναλόγως, η υβριδική προσέγγιση συγκλίνει πολύ γρηγορότερα µιας και µειώνει τις
διαστάσεις του διαστήµατος αναζήτησης της αρχικής καθαρής µεθόδου οπισθόδροµης
διάδοσης.
Μέχρι τώρα χρησιµοποιούσαµε προκαθορισµένες και αυθαίρετα επιλεγµένες
συναρτήσεις συµµετοχής. Πολλές φορές έχουµε µια συλλογή από δεδοµένα εισόδου / εξόδου
και δεν µπορούµε να χρησιµοποιήσουµε ένα προκαθορισµένο µοντέλο βασισµένο στα
στοιχεία αυτά ώστε να ξέρουµε ποιες συναρτήσεις συµµετοχής και µε ποιες παραµέτρους να
χρησιµοποιήσουµε. Τότε µπορούµε να βοηθηθούµε από το ANFIS, ώστε να βρούµε τις
καταλληλότερες συναρτήσεις συµµετοχής.
Οι νεύρο-προσαρµοστικές τεχνικές είναι αρκετά απλές. Έτσι παρέχεται µια µέθοδος
ώστε το ασαφές µοντέλο να εκπαιδευτεί µε τις πληροφορίες που του δίνει το σύνολο των
δεδοµένων, ώστε να υπολογιστούν οι παράµετροι των συναρτήσεων συµµετοχής µε σκοπό
την εύρεση του καλύτερου τρόπο ώστε να επιτρέπει στο σύστηµα εξαγωγής συµπερασµάτων
να ανιχνεύει τα δεδοµένα εισόδου/ εξόδου. Η µέθοδος αυτή είναι παρόµοια µε αυτή των
νευρωτικών δικτύων.
Η προσαρµογή των παραµέτρων των συναρτήσεων συµµετοχής από ένα ANFIS
γίνεται µε αλγόριθµους εκµάθησης είτε µόνο back-propagation είτε µε έναν υβριδικό
αλγόριθµο, συνδυασµό back-propagation και µεθόδου ελαχίστων τετραγώνων.
83
Ο υπολογισµός των παραµέτρων αυτών, που αλλάζουν κατά τη διάρκεια της
διαδικασίας εκµάθησης, διευκολύνεται από ένα βαθµωτό διάνυσµα που µας δείχνει πόσο
καλά το FIS µοντελοποιεί τα δεδοµένα εισόδου/ εξόδου για το εν λόγο σύνολο παραµέτρων.
Μόλις αποκτήσουµε το βαθµωτό διάνυσµα µπορούµε να εφαρµόσουµε κάποιον από τους
πολλούς αλγόριθµους βελτιστοποίησης, για να βελτιώσουµε αυτές τις παραµέτρους, ούτως
ώστε να µειώσουµε το µέγεθος του σφάλµατος (συνήθως το άθροισµα των τετραγώνων των
διαφορών µεταξύ πραγµατικών και επιθυµητών τιµών).
4.4 Περιορισµοί του ANFIS
Οι κυριότεροι περιορισµοί του ANFIS που αναφέρονται στην διεθνή βιβλιογραφία
είναι:
Βασίζεται σε ένα FIS τύπου Sugeno.
Έχει µια έξοδο, που λαµβάνεται µε τη µέθοδο αποσαφήνισης σταθµισµένου µέσου.
Όλες οι συναρτήσεις συµµετοχής εξόδου πρέπει να είναι ίδιου τύπου, είτε γραµµικές
είτε σταθερές.
∆εν µπορεί να γίνεται κοινή χρήση κανόνων. ∆ιαφορετικοί κανόνες δεν µπορούν να
έχουν την ίδια συνάρτηση συµµετοχής εξόδου.
Πρέπει να υπάρχουν βάρη σε κάθε κανόνα.
∆εν µπορεί να χρησιµοποιηθεί οποιαδήποτε συνάρτηση συµµετοχής, παρά µόνο
προκαθορισµένες που επιβάλλουν οι ορισµοί του ANFIS.
84
5. Εφαρµογές Του ANFIS Σε Προβλήµατα Που Αφορούν Τα
Συστήµατα Μεταφοράς & ∆ιανοµής Της Ενέργειας
Τα τελευταία χρόνια διάφοροι ερευνητές, αναγνωρίζονται την σπουδαιότητα αλλά
κυρίως την αποτελεσµατικότητα του ANFIS, εκτέλεσαν διάφορες έρευνες οι οποίες είχαν ως
κύριο στόχο την επιτυχή πρόβλεψη διαφόρων στοιχείων.
Οι εφαρµογές του ANFIS που αφορούν τα διασυνδεµένα συστήµατα ηλεκτρικής
ενέργειας είναι κυρίως από την τεχνική πλευρά – δλδ. εντοπισµός σφαλµάτων στο δίκτυο,
σταθεροποίηση της παρεχόµενης ισχύος κτλ. Ωστόσο δεν έχει γίνει καµία προσπάθεια
πρόβλεψης της απαιτούµενης εισαγόµενης ηλεκτρικής ενέργειας σε ένα διασυνδεµένο
σύστηµα ενέργειας. Αυτό το κενό θα επιχειρήσει η συγκεκριµένη εργασία να καλύψει,
επιχειρώντας να προβλεφθεί και η ποσότητα της εισαγόµενης ενέργειας αλλά και η τιµή µε
την οποία ένα εθνικό η περιφερειακό σύστηµα ενέργειας θα αγοράσει την ποσότητα αυτή από
το γειτονικό δίκτυο.
Παρακάτω θα παρουσιαστούν ορισµένες από τις πιο έγκυρες και αξιοσηµείωτες
έρευνες, οι οποίες επιχείρησαν να προβλέψουν ή να λύσουν διάφορα προβλήµατα που συχνά
αντιµετωπίζουν τα συστήµατα µεταφορά και διανοµής της ενέργειας χρησιµοποιώντας το
ANFIS.
5.1 Προβλήµατα Εντοπισµού Σφαλµάτων στο ∆ίκτυο
Η αυξανόµενη πολυπλοκότητα των σύγχρονων συστηµάτων µετάδοσης ηλεκτρικής
ισχύος έχουν αυξήσει πολύ τη σηµασία των ερευνητικών µελετών για τον ακριβή εντοπισµό
της θέσης διαφόρων σφαλµάτων στο δίκτυο τα τελευταία χρόνια. Η αποκατάσταση του
δικτύου µπορεί να επιταχυνθεί πολύ γρήγορα εάν η θέση ενός σφάλµατος είναι γνωστή ή
µπορεί να υπολογιστεί µε µια λογική ακρίβεια. Μετά από την εµφάνιση ενός σφάλµατος, η
λειτουργία του δικτύου µπορεί να αποκαταστήσει τη ενέργεια όσο το δυνατόν γρηγορότερα,
δεδοµένου ότι η γρήγορη αποκατάσταση της λειτουργίας του δικτύου µειώνει τις καταγγελίες
των καταναλωτών, τον χρόνο διακοπής της παροχής ενέργειας, την λειτουργική δαπάνη του
δικτύου, την απώλεια εισόδων και διατηρεί τη σταθερότητα των διαφόρων συστηµάτων. Για
να υπάρξουν λοιπόν γρήγορες και αποδοτικές αποκαταστάσεις των υπηρεσιών παροχής
ηλεκτρισµού, µια ακριβής τεχνική εντοπισµού των σφαλµάτων σε ένα δίκτυο ηλεκτρικής
ενέργειας απαιτείται.
Η αυξανόµενη ικανότητα των υπολογιστικών συστηµάτων έχει βοηθήσει στην
ανάπτυξη διαφόρων τεχνικών για τον εντοπισµό των σφαλµάτων σε ένα δίκτυο ηλεκτρικής
ενέργειας. Παρακάτω θα αναφέρουµε 4 χαρακτηριστικές προσεγγίσεις τέτοιων τεχνικών που
χρησιµοποιούν το µοντέλο ANFIS.
85
Οι J. Sadeh & H. Afradi [25] πρότειναν έναν νέο και ακριβή αλγόριθµο για τον
εντοπισµό σφαλµάτων σε µια ένα δίκτυο που συνδυάζονται µια εναέρια γραµµή µετάδοσης
µε ένα υπόγειο καλώδιο, χρησιµοποιώντας το µοντέλο ANFIS. Η προτεινόµενη µέθοδος
χρησιµοποιεί 10 δίκτυα ANFIS και αποτελείται από 3 στάδια, συµπεριλαµβανοµένης της
ταξινόµησης των τύπων ελαττωµάτων, τον εντοπισµό των εσφαλµένων τµηµάτων του
δικτύου και την ακριβή θέση των σφαλµάτων αυτών. Στο πρώτο στάδιο, ένα ANFIS
χρησιµοποιείται για να καθορίσει τον τύπο των σφαλµάτων, όπου έχουµε 4 είσοδοι (δηλ., τα
τριφασικά ρεύµατα και µηδενικό ρεύµα ακολουθίας). Ένα άλλο δίκτυο ANFIS
χρησιµοποιείται για να ανιχνεύσει το ελαττωµατικό τµήµα του δικτύου, δηλ. εάν το σφάλµα
είναι στην εναέρια γραµµή ή στο υπόγειο καλώδιο. Τέλος, άλλα οκτώ δίκτυα ANFIS
χρησιµοποιούνται για να επισηµάνουν τα σφάλµατα (δύο για κάθε τύπο ελαττωµάτων). 4
είσοδοι, δηλ. το DC τµήµα του ρεύµατος, την θεµελιώδη συχνότητα της τάσης και του
ρεύµατος και την γωνία µεταξύ τους, χρησιµοποιούνται για να εκπαιδεύσουν τα συστήµατα
προκειµένου να βρεθούν ακριβώς τα σφάλµατα σε κάθε τµήµατα της διασυνδεµένης
γραµµής. Η προτεινόµενη αυτή µέθοδος αξιολογείται κάτω από τους διαφορετικούς όρους
σφαλµάτων όπως οι διαφορετικές θέσεις σφαλµάτων, τις διαφορετικές γωνίες έναρξης των
σφαλµάτων και τις διαφορετικές αντιστάσεις σφαλµάτων. Τα αποτελέσµατα προσοµοίωσης
επιβεβαιώνουν ότι η προτεινόµενη µέθοδος µπορεί να χρησιµοποιηθεί ως ένα αποδοτικό
µέσο για την ακριβή θέση των σφαλµάτων στις συνδυασµένες γραµµές µετάδοσης ενέργειας
Για την ταξινόµηση τύπων σφαλµάτων (ANFIS1), το εύρος της θεµελιώδους
συχνότητας των 3 φασικών ρευµάτων και το ρεύµα του ουδέτερου επιλέγονται ως είσοδοι και
τα αποτελέσµατα χαρακτηρίζονται ως Α, Β, C και G, τα οποία αντιπροσωπεύουν τις 3 φάσεις
και τη Γή. Όταν ένα από τα Α, Β, C που πλησιάζουν το 1 δείχνει σφάλµα σε εκείνη την φάση,
και εάν το G είναι 1 δείχνει σφάλµα που περιλαµβάνει και το έδαφος.
Στο επόµενο στάδιο, οι κανονικοποιηµένες τιµές αιχµής των τάσεων και ρευµάτων
µετά την εµφάνιση των σφαλµάτων, η διαφορά φάσης µεταξύ τάσης και ρεύµατος και το DC
τµήµα του ρεύµατος λαµβάνονται ως χαρακτηριστικά γνωρίσµατα των µετρηµένων σηµάτων
και χρησιµοποιούνται ως είσοδοι στο ANFIS2 για την ανίχνευση του ελαττωµατικού
τµήµατος. Αυτές οι είσοδοι υπολογίζονται από τις επιλεγείσες τιµές του σήµατος
τάσης/ρεύµατος χρησιµοποιώντας τη µέθοδο εκτίµησης ελαχίστων τετραγώνων σφαλµάτων
(LSE) µέσα σε έναν κύκλο από την έναρξη ελαττωµάτων. Αυτό το δίκτυο καθορίζει εάν το
ελάττωµα είναι στην εναέρια γραµµή ή στο υπόγειο καλώδιο του δικτύου. Αυτή η υλοποίηση
φαίνεται και από την παρακάτω εικόνα.
Εικόνα 47: Σχεδιασµό του ANFIS1 και ANFIS2.
86
Στο επόµενο στάδιο, οκτώ ANFIS εκπαιδεύονται για κάθε τύπο σφάλµατος και για
κάθε ελαττωµατικό τµήµα. Μόλις ταξινοµηθεί το σφάλµα και το ελαττωµατικό τµήµα
καθορίζεται, το σχετικό για το κάθε σφάλµα ANFIS ενεργοποιείται. Οι είσοδοι για αυτά τα
δίκτυα είναι οι ίδιες µε αυτά του ANFIS2 και η έξοδος τους είναι η κανονικοποιηµένη
απόσταση του σηµείου σφάλµατος από το τέλος της εναέριας γραµµής.
∆ιαφορετικοί τύποι σφαλµάτων σε διάφορες θέσεις κάθε τµήµατος του υπό µελέτη
συστήµατος, µε διαφορετικές γωνίες έναρξης και τις αντιστάσεις σφαλµάτων,
χρησιµοποιούνται για την εκπαίδευση και τη δοκιµή του ANFIS1 και του ANFIS2. Κατά τη
διάρκεια της εκπαίδευσης του ANFIS1 το σφάλµα ορίζεται ως 1 ειδάλλως 0, ενώ κατά τη
διάρκεια της δοκιµής εάν η έξοδος είναι λιγότερο από 0.25 ταξινοµούταν ως 0, δηλ., µια
υγιής ένδειξη φάσης, και εάν είναι µεγαλύτερη από 0.75 ταξινοµείται ως 1, δηλ., µια
ελαττωµατική φάσης. Επίσης, κατά τη διάρκεια της κατάρτισης ANFIS2 τα σφάλµατα στην
εναέρια γραµµή ορίζονται ως 0 και τα σφάλµατα στο υπόγειο καλώδιο ορίζονται ως 1. Όλοι
οι τύποι σφαλµάτων µε τις διαφορετικές γωνίες έναρξης, τις διαφορετικές θέσεις και τις
διαφορετικές αντιστάσεις ελαττωµάτων και στα τµήµατα της συνδυασµένης εναέριας
γραµµής και του υπόγειου καλωδίου χρησιµοποιούνται για να αξιολογήσουν την απόδοση
του προτεινόµενου αλγορίθµου. Το µέγιστο ποσοστό λάθος κρατιέται κάτω από επίπεδο του
0.07%, κάτι που µας οδηγεί στο συµπέρασµα ότι η προτεινόµενη µέθοδος είναι αρκετά
αποδοτική για την ταξινόµηση και τον εντοπισµό των σφαλµάτων.
Μια παρόµοια µεθοδολογία αναπτύχθηκε από τους M.Joorabian και M.Monadi [26],
οι οποίοι περιγράφουν µια ακριβής µέθοδος εντοπισµός σφαλµάτων για τις υπερύψηλης
τάσεως γραµµές µετάδοσης, το οποίο βασίζεται σε ένα σύστηµα ANFIS. Οι τάσεις και τα
ρεύµατα στο τέλος των γραµµών χρησιµοποιούνται σε αυτήν την τεχνική. Οι κυµατοµορφές
των τάσεων και των ρευµάτων περιλαµβάνουν τις πληροφορίες των σφαλµάτων και µερικά
από τα στοιχεία τους χρησιµοποιούνται.
Τα σήµατα για την εκτίµηση της θέσης σφαλµάτων είναι βασισµένα στις φασικές
τιµές. Η επίδραση των ρευµάτων των µετασχηµατιστών, των τάσεων χωρητικότητας των
µετασχηµατιστών και τα λάθη του υλικού όπως τα φίλτρα και η κβαντοποίηση λαµβάνονται
υπόψη, έτσι ώστε οι πληροφορίες που υποβάλλονται σε επεξεργασία στον αλγόριθµο είναι
πολύ κοντά στην πραγµατικότητα.
Πρώτα ένα σύστηµα εκπαιδεύεται και δείχνει σε ποια φάση υπάρχει ένα σφάλµα και
εάν το σφάλµα συνδέεται µε το έδαφος ή όχι, οπουδήποτε και αν είναι η θέση του
σφάλµατος, και για να έχει µια καλή γενίκευση, χωριστά συστήµατα σχεδιάζονται για να
εντοπίσουν ακριβώς και τους ένδεκα τύπους σφαλµάτων στις γραµµές µετάδοσης (AG, BG,
CG, AB, BC, AC, ABG, BCG, ACG, ABC, ABCG όπως είπαµε και προηγουµένως).
Τα κατάλληλα δεδοµένα για το συγκεκριµένο δίκτυο πάρθηκαν χρησιµοποιώντας ένα
λογισµικό που ονοµάζεται Electro-Magnetic Transients Program (EMTP). Οι παράµετροι που
έχουν ληφθεί υπόψη για κάθε τύπο ελαττωµάτων είναι: η παραλλαγή της αντίστασης
σφαλµάτων [0-100Ω], η παραλλαγή της γωνίας σφαλµάτων [0, 90ο] και η παραλλαγή της
ικανότητας των πηγών ηλεκτρισµού [κάτω από την min ικανότητα πηγής, πάνω από τη max
ικανότητα πηγής]. Προκειµένου να µειωθεί η διάσταση των ακατέργαστων στοιχείων σε µια
συνοπτική µορφή, η αποσύνθεση της συχνότητας των χρονικών στιγµών των κυµατοµορφών
87
τάσεως και ρευµάτων γίνεται µε την χρησιµοποίηση του ιδιαίτερου µετασχηµατισµού κατά
Φουριέ (DFT). Αφού γίνει αυτός ο µετασχηµατισµός, παίρνονται έπειτα 5 παράµετροι για
κάθε φάσµα ρευµάτων και τάσης: το DC τµήµα, θεµελιώδες συστατικό (50 Hz), στοιχεία της
σειράς 100 - 350 Hz, στοιχεία της σειράς 400 - 1000 Hz, στοιχεία της σειράς 1050 - 1950 Hz.
Η επιθυµητή έξοδος για το σύστηµα εντοπισµού σφαλµάτων ορίζεται ως ένα
συγκεκριµένο σηµείο στη γραµµή (σε km) και τα επιθυµητά αποτελέσµατα του FIS για την
ταξινόµηση σφάλµατος περιλαµβάνουν από τέσσερις µεταβλητές Α, Β, C και G, όπως
ακριβώς έγινε και στην προηγούµενη µέθοδο. Λαµβάνοντας δεδοµένα από διάφορες
περιπτώσεις σφαλµάτων, το 60% αυτών των δεδοµένων χρησιµοποιήθηκαν για την
εκπαίδευση του ANFIS, και τα άλλα 40% χρησιµοποιήθηκαν για την δοκιµή του. Η ακρίβεια
που είχαν στον εντοπισµό της θέσης στων σφαλµάτων είναι πολύ υψηλή, όντας µικρότερη
του 0.5% στην πλειοψηφία των περιπτώσεων, κάτι που σε συνδυασµό µε το χαµηλότερο
κόστος της εφαρµογής, κάνει την προτεινόµενη µέθοδο ικανοποιητική.
Οι J. J. Mora, G. Carrillo, και L. Pιrez στην [27] χρησιµοποίησαν και αυτοί τις
κυµατοµορφές των ρευµάτων που παίρνονται από τους υποσταθµούς ενός δικτύου
µετάδοσης, σε συνδυασµό µε την γνώση της λειτουργίας των µέσων προστασίας αυτών των
δικτύων, για να µπορέσουν να εντοπίσει το κοµµάτι του δικτύου στο οποίο υπάρχει σφάλµα.
Για να υπάρξει ανάλυση και την εξαγωγή στοιχείων από τα τρέχοντα σήµατα, µπορεί
να χρησιµοποιούνται διάφορα µαθηµατικά εργαλεία όπου ο µετασχηµατισµός Φουριέ, οι
βραχυπρόθεσµοι µετασχηµατισµοί κατά Φουριέ και άλλοι πολλοί. Ο µετασχηµατισµός
Wavelet χρησιµοποιείται σε αυτήν την εργασία επειδή επιτρέπει την ανάλυση των µη
στατικών σηµάτων. Αυτή η µετατροπή βοηθά στον προσδιορισµό των απότοµων αλλαγών
στον πλάτος και την συχνότητα των σηµάτων ρευµάτων όταν εµφανίζεται σφάλµα.
Από τα σήµατα ρεύµατος που παίρνονται κατά τη διάρκεια των σφαλµάτων, είναι
δυνατό να εκτιµηθούν οι αλλαγές στο πλάτος αρκετές φορές. Μετά από το σφάλµα, είναι
δυνατό να διακριθούν τρία διαστήµατα µε µείωση του πλάτους ρεύµατος. Αυτά τα
διαστήµατα αντιστοιχούν στις ενέργειες ενεργοποίησης των µέσων προστασίας του δικτύου.
Εικόνα 48: Κυµατοµορφή ρεύµατος µετά την εµφάνιση σφάλµατος (έπειτα από την µετατροπή Wavelet).
88
Τα διαστήµατα µε την ένδειξη Α, το C και το Ε αντιστοιχούν σε σφάλµατα
υπερφόρτισης. Τα διαστήµατα που µαρκάρονται µε τα γράµµατα Β και D αντιστοιχούν στα
χρονικά διαστήµατα στα οποία το µέσο προστασίας ανιχνεύει το σφάλµα. Το τελευταίο
διάστηµα που χαρακτηρίζεται ως F αντιστοιχεί στην ενεργοποίηση της ασφάλειας
προστασίας µεταξύ 2 τµηµάτων του δικτύου. Αυτά τα στοιχεία που παίρνονται από αυτές τις
κυµατοµορφές βοηθούν στην ανάπτυξη µιας στρατηγικής για τον εντοπισµό των σφαλµάτων.
Το σύστηµα έχει διαιρεθεί σε 5 διαφορετικές ζώνες για να υπερνικήσει τα πολλά προβλήµατα
εκτίµησης. Κάθε ζώνη περιέχει µόνο µια πλευρική επέκταση, και κατά αυτόν τον τρόπο εάν
µια συγκεκριµένη ζώνη προσδιορίζεται το συνεργείο συντήρησης του δικτύου ξέρει την
πιθανή θέση ελαττωµάτων, που επιτρέπει µια γρήγορη διαδικασία αποκατάστασης του.
Τα δεδοµένα εξόδου αντιστοιχούν στη ζώνη όπου το σφάλµα βρίσκεται στο
ηλεκτρικό σύστηµα. Αφότου έχει εκπαιδευθεί το σύστηµα ANFIS, µπορεί να συνδέσει νέα
στοιχεία που αφορούν σφάλµατα σε µια πιθανή ζώνη του σφάλµατος του δικτύου. Η
εκτέλεση των ANFIS ήταν καλή και τα 99.14% των στοιχείων ρεύµατος ήταν σωστά
ταξινοµηµένα. Αυτό συµβαίνει γιατί τα χρησιµοποιηµένα µοντέλα έχουν µια ισχυρή σχέση µε
την τοπολογία των ηλεκτρικών δικτύων. Τα επιτευχθέντα αποτελέσµατα είναι ικανοποιητικά
επειδή αυτή η προσέγγιση δεν χρησιµοποιεί ένα ηλεκτρικό πρότυπο του δικτύου και η
επεξεργασία σηµάτων είναι απλή. Το γεγονός της µη χρησιµοποίησης του ηλεκτρικού
προτύπου των δικτύων είναι ένα πρόσθετο πλεονέκτηµα επειδή δεν είναι πάντα εύκολο να
υπάρξουν οι τιµές των διαφόρων παραµέτρων ενός συστήµατος ηλεκτρικής ενέργειας.
Τέλος, οι R.Ghani, A.Mohamed και H. Shareef στην [28] παρουσιάζουν µια ευφυή
τεχνική για τον εντοπισµό των σηµείων σφάλµατος, στο επίπεδο των γεωµετρικών
συντεταγµένων του σε ένα δίκτυο διανοµής. Η προτεινόµενη τεχνική εφαρµόζει παράλληλα
ANFIS µε σκοπό τον εντοπισµό των σηµείων σφάλµατος και τον προσδιορισµό του τύπου
σφάλµατος. Οι είσοδοι του προτεινόµενου µοντέλου είναι τα µέσης τιµής τετραγωνικά
τριφασικά ρεύµατα µετά την εµφάνιση των σφαλµάτων, και η έξοδος παρέχει τις
πληροφορίες για τα σηµεία σφαλµάτων και τους τύπους αυτών. Η τεχνική παράγει
ικανοποιητικά αποτελέσµατα µε ένα µέσο µέγιστο ποσοστό λάθους κάπου το 1.3% και 2.8%
αντίστοιχα για την συντεταγµένη Χ και την συντεταγµένη Υ και 0.02% για τον προσδιορισµό
του τύπου σφάλµατος.
Ένα block παράλληλων-σειρών ANFIS σχεδιάζεται µε τη χρησιµοποίηση του
προγράµµατος λογισµικού MATLAB/SIMULINK σύµφωνα µε τους τύπους ελαττωµάτων.
Το block αποτελείται από 10 παράλληλα ANFIS που αντιπροσωπεύονται από τους ακέραιους
αριθµούς 1 έως 10 για όλους τους τύπους σφαλµάτων (όπως ακριβώς είδαµε και
προηγουµένως). Κάθε block περιλαµβάνει 3 παράλληλά ANFIS για τον τύπο σφάλµατος, το
σηµείο Χ και το σηµείο Υ, αντίστοιχα, και έχει επίσης τα σειριακά block ANFIS για κάθε
κατηγορία. Το σειριακό block προστίθεται στο σχέδιο µε σκοπό την ελαχιστοποίηση του
ποσοστού λάθους. Από τα τελευταία σειριακά block, τα αποτελέσµατα καθορίζονται και
αντιπροσωπεύουν τις συντεταγµένες Χ και Υ του σηµείου σφάλµατος και του τύπου
σφάλµατος.
89
Εικόνα 49: Η υλοποίηση των διαφόρων ANFIS στην εργασία [27].
O συνολικός αριθµός προσοµοιώσεων είναι 1365 εξετάζοντας όλα τα σηµεία
ελαττωµάτων, τις αντιστάσεις σφαλµάτων για µονοφασικό προς Γή σφάλµατα και τους
τύπους σφαλµάτων. Από τις προσοµοιώσεις, τα τριφασικά RMS ρεύµατα µετά το σφάλµα
καταγράφονται στο τέρµα του δικτύου ως στοιχεία που συλλέγονται για περαιτέρω ανάλυση.
Κατόπιν, τα στοιχεία διαιρούνται σε εισόδους και εξόδους. Τα τριφασικά RMS ρεύµατα µετά
το σφάλµα θεωρούνται είσοδοι, ενώ τα σηµεία σφαλµάτων που αντιπροσωπεύουν τις
γεωµετρικές συντεταγµένες και τους τύπους σφαλµάτων ταξινοµούνται ως δεδοµένα εξόδου.
Τα στοιχεία διαιρούνται σε τρεις οµάδες για την εντόπιση των σηµείων Χ, των σηµείων Υ και
του τύπου σφάλµατος. Το αναπτυγµένο ANFIS εκπαιδεύει, εξετάζει και σώζει τα στοιχεία για
να εντοπίσει τα κατ' εκτίµηση σηµεία σφαλµάτων και τον τύπο σφαλµάτων ως έξοδος του
συστήµατος.
Γενικά αυτή η προσέγγιση των παράλληλων ANFIS µπορεί να θεωρηθεί ένα
αποδεκτό και ακριβές σύστηµα εντοπισµό σφαλµάτων, µε ευεργετική εφαρµογή
χαµηλότερου κόστους, απλή εφαρµογή και εύκολο επανασχεδιασµό του συστήµατος. Η
ενσωµάτωση των γεωµετρικών συντεταγµένων στη θέση σφαλµάτων το καθιστά
καταλληλότερο για τα µεγάλα δίκτυα διανοµής.
90
5.2 Προβλήµατα Βραχυπρόθεσµης Πρόβλεψης Κατανάλωσης
Ηλεκτρικού Φορτίου
Παρ’ όλο που, όπως είδαµε και στο Κεφάλαιο 2.2, υπάρχουν διάφορες µεθοδολογίες
που χρησιµοποιούνται για τη πρόβλεψη κατανάλωσης ηλεκτρικού φορτίου, δεν υπάρχουν
αρκετές έρευνες που χρησιµοποιούν το ANFIS για να προβλεφθεί αυτό το µέγεθος. Ωστόσο,
η έρευνα των Syed-Ahmad και αλλοι [29] είναι ενδεικτική της δυνατότητας που έχει το
προτεινόµενο µοντέλο στη πρόβλεψη της κατανάλωσης ηλεκτρικού φορτίου.
Στην εν λόγω έρευνα, αφού συλλέχτηκαν ως δεδοµένα εισόδου οι ωριαίες καταναλώσεις
ηλεκτρικού φορτίου από την τοπική εταιρεία ηλεκτρισµού16 και κανονικοποιήθηκαν ώστε να
µπορούν να χρησιµοποιηθούν σωστά από το ANFIS, αποφασίστηκε η δοµή του ANFIS, η οποία
φαίνεται από τη παρακάτω εικόνα:
Εικόνα 50: ∆οµή του ANFIS της [25].
Χρησιµοποιούνται 3 είσοδοι και το αποτέλεσµα είναι µια έξοδος, όπου φαίνεται και
στον παρακάτω πίνακα.
ΕΙΣΟ∆ΟΣ ΕΞΟ∆ΟΣ
11 ( , )X L d t=
( 1, )Y L d t= + 12 ( , ) ( 1, )X L d t L d t= − −
13 ( 1, ) ( , )M M
X L d t L d t= + −
µε ( 7, ) ( 14, ( 21, )
( , )3
M
L d t L d t L d tL d t
− + − + −=
16 ∆ηλαδή από την Εταιρεία Ηλεκτρισµού της πόλης Aleppo της Συρίας.
Στην συγκεκριµένη εργασία πάρθηκαν 2
γενικές καµπανοειδής συναρτήσεις
συµµετοχής (generalized bell membership
functions) για κάθε είσοδο.
91
όπου t η ώρα, L(d,t) το ηλ. φορτίο την ηµέρα d και ώρα t, L(d-7,t) το ηλ. φορτίο την
προηγούµενη εβδοµάδα πριν την ηµέρα d και ώρα t, Χ11 αναπαριστά την απαίτηση φορτίου
για την ηµέρα d και την ώρα t, Χ12 δείχνει την καθηµερινή αλλαγή φορτίου και Χ13 δίνει την
εβδοµαδιαία τάση των αλλαγών πάνω στην ζήτηση για την ηµέρα d και την ώρα t.
Για την εκπαίδευση αυτού του δικτύου χρησιµοποιήθηκαν και ο αλγόριθµος
οπισθοδιάδοσης και ο αλγόριθµος ελαχίστων τετραγώνων.
Εικόνα 51: Προβλεπόµενες και Πραγµατικές Τιµές ζήτησης φορτίου για µια συγκεκριµένη µέρα.
Από την Εικόνα 48 παρατηρούµε την ικανοποιητική απόδοση του ANFIS πάνω στην
πρόβλεψη της ζήτησης φορτίου για µια συγκεκριµένη µέρα. Η πρόβλεψη γίνεται για µια
24ώρη περίοδο. Το µέσο σφάλµα τετραγώνου για αυτή τη µέθοδο υπολογίστηκε κάπου στο
0.5%, µια αρκετά ικανοποιητική τιµή.
5.3 Προβλήµατα Ελέγχου και Σταθεροποίησης Ενέργειας
Κατά τη λειτουργία ενός διασυνδεδεµένου συστήµατος ηλεκτρικής ενέργειας, είναι
πολύ σηµαντικό να υπάρχει έλεγχος της µεταφερόµενης ενέργειας από τις
ηλεκτροπαραγωγικές µονάδες στους καταναλωτές αλλά και να υπάρχει µέθοδος ώστε όταν
υπάρχει απώλεια ενέργειας να υπάρχει ένα τρόπος απόδοσης προστίµου στην εταιρεία που σε
παρείχε την απαιτούµενη ενέργεια στο δίκτυο. Για την πρώτη περίπτωση, ο έλεγχος της
µεταφερόµενης ενέργειας ουσιαστικά βοηθά στην οµαλή λειτουργία της αγοράς ηλεκτρισµού
για µια χώρα ή περιοχή, µιας και είναι απαραίτητο η πληροφορία της µεταφερόµενης
ενέργειας ώστε να διαµορφώνεται ακριβέστερα η τιµή πώλησης/αγοράς του ηλεκτρισµού. Για
92
την δεύτερη περίπτωση, οι εταιρείες ηλεκτρισµού όταν δε παρέχουν στο σύστηµα ενέργειας
την απαιτούµενη ενέργεια ώστε να τροφοδοτηθούν καταλλήλως οι καταναλωτές, πρέπει να
υπάρχει ένας τρόπος απόδοσης προστίµου.
Οι Wibowo, Purnomo και Prastianto στην [30] εφάρµοσαν την µεθοδολογία του
ANFIS για να προσδιορίζουν την επίδραση του παράγοντα της ποινικής ρήτρας λόγω
απώλειας µετάδοσης. Ο σκοπός αυτού του παράγοντα είναι να απεικονιστεί στην οικονοµική
φόρτωση η επίδραση των απωλειών που πραγµατοποιούνται στην παροχή ισχύος µέσω του
δικτύου µεταφοράς στους καταναλωτές. Τα οικονοµικά της παραγωγής ενέργειας έχουν µη
γραµµική εξάρτηση µε την ηλεκτρική θέση του παραγωγού ενέργειας σε σχέση µε το φορτίο.
Μια ηλεκτρογεννήτρια που είναι µακρύτερα από το φορτίο θα χει µεγαλύτερη ποινική ρήτρα
λόγω απωλειών.
Η µελέτη αυτής της επίδρασης είναι ζωτικής σηµασίας για τη λειτουργία µιας
απελευθερωµένη αγοράς ηλεκτρισµού. Η οικονοµική αποστολή µονάδων ενέργειας είναι µια
σηµαντική διαδικασία που πρέπει να γίνει για την παροχή του ηλεκτρικού φορτίου. Με απλά
λόγια, είναι σηµαντικό να γίνει σωστή και οικονοµική αποστολή γιατί αλλιώς θα έχουµε
κάποια αντικρουόµενα αποτελέσµατα: µια ηλεκτρογεννήτρια που είναι µακρύτερα και πιο
χαµηλού κόστους θα τείνει να παραγάγει την υψηλότερη παραγωγή, και η κοντινότερη και
υψηλού κόστους ηλεκτρογεννήτρια θα τείνει να παραγάγει τη χαµηλότερη παραγωγή.
Συνεπώς, θα έχουµε υψηλότερες απώλειες ισχύος στη γραµµή µεταφοράς ενέργειας. Ο λόγος
λοιπόν που εφαρµόζουµε τον παράγοντα της ποινικής ρήτρας στην οικονοµική αποστολή
είναι για τον έλεγχο των απωλειών µεταφοράς, ώστε να µπορούµε να έχουµε πιο χαµηλή
παραγόµενη ισχύς από µια ηλεκτρογεννήτρια µεγαλύτερης απόστασης.
Η ποινική ρήτρα µιας i γεννήτριας, που αντιπροσωπεύει το επίπεδο απωλειών
µεταφοράς ενέργειας από την i γεννήτρια, ορίζετε ως:
1
1i
loss
i
PfP
P
δδ
=−
όπου loss
i
P
P
δδ
είναι οι απώλειες µεταφοράς ενέργειας.
Από τον παραπάνω ορισµό έχουµε ότι:
• Αν µια µονάδα i έχει i
Pf >1, τότε η µονάδα αυτή προκαλεί υψηλές απώλειες στο
δίκτυο µεταφοράς.
• Αν µια µονάδα i έχει i
Pf <1, τότε η µονάδα αυτή προκαλεί χαµηλές απώλειες στο
δίκτυο µεταφοράς.
Για την αρχιτεκτονική του χρησιµοποιηµένου ANFIS, η συνάρτηση συµµετοχής που
χρησιµοποιήθηκε είναι η γενικευµένη καµπανοειδής συνάρτηση:
93
2
1( )
1
A b
i
i
xx c
a
µ =−
+
Η εφαρµογή του ANFIS είχε τα εξής βήµατα:
o Εισαγωγή του ηλεκτρικού φορτίου του συστήµατος ενέργειας.
o Εισαγωγή της παραγόµενης ενεργούς ισχύος κάθε µονάδα γεννήτριας.
o Καθορισµός του παράγοντας της ποινικής ρήτρας µε το ANFIS.
o Υπολογισµός της οικονοµικής αποστολής για τον ορισµό των απωλειών
µεταφοράς και το κόστους παραγωγής.
Ο συγκεκριµένος υπολογισµός του παράγοντα της ποινικής ρήτρας είναι καλύτερος
από άλλους µεθόδους υπολογισµού που βασίζονται σε µαθηµατικές και γραµµικές µεθόδους.
Συνεπώς, η µέθοδος ANFIS µπορεί να είναι µια εναλλακτική µέθοδος για να λύσει την
οικονοµική αποστολή µε την εξέταση των απωλειών µετάδοσης.
Η εισαγωγή της ιδιωτικοποίησης της ηλεκτρικής ενέργειας οδήγησε σε πρωτεύον
ζήτηµα τη διαφάνεια και την ανοικτή πρόσβαση στο δίκτυο µεταφοράς για κάθε καταναλωτή
και παραγωγό ενέργειας. Η έννοια της δικαιοσύνης σε αυτή τη βιοµηχανία γίνεται
εφαρµόζοντας τους διαφανείς κανόνες που διέπουν τη χρήση του δικτύου µεταφοράς. Η
δικαιοσύνη µπορεί µόνο να επιτευχθεί µε την υιοθέτηση µιας δίκαιης και διαφανούς
µεθοδολογίας κατανοµής χρήσης, αποδεκτής από όλα τα συµβαλλόµενα µέρη. Λαµβάνοντας
υπόψη τη λειτουργία της αγοράς, είναι ζωτικής σηµασίας να είναι γνωστός ο ρόλος των
µεµονωµένων γεννητριών και των φορτίων στο δίκτυο µετάδοσης και η µεταφορά ισχύος
µεταξύ των µεµονωµένων γεννητριών στα φορτία. ∆ιάφορα σχέδια έχουν αναπτυχθεί για να
λύσουν το πρόβληµα κατανοµής στα τελευταία έτη.
Οι H. Shareef, S. Khalid, M. Mustafa and A. Khairuddin στην [31] επιχειρούν να
εισάγουν µια νέα µέθοδο για τον εντοπισµό των ροών φορτίων αλλά και των απωλειών
ενέργειας, µε τροποποίηση της µεθόδους κοµβικής εξίσωσης για τον καθορισµό της ενεργούς
και άεργους ισχύος στα κυκλώµατα του δικτύου µεταφοράς. Οι ισχύς των δικτύων
αντιπροσωπεύονται µε τις µεταβλητές του ρεύµατος λειτουργίας και της τάσης των
γεννητριών.
Η προτεινόµενη µέθοδος εξετάζει σχεδόν όλες τις µεταβλητές του συστήµατος που
λαµβάνονται από τις λύσεις της ροής φορτίων ως χαρακτηριστικά γνωρίσµατα εισαγωγής.
Για τα µεγάλης κλίµακας διασυνδεµένα ηλεκτρικά συστήµατα, οι πλήρεις πληροφορίες είναι
πάρα πολύ µεγάλες για οποιαδήποτε αποτελεσµατική εφαρµογή ANFIS και εποµένως, τα
στοιχεία κατάρτισης πρέπει να µειωθούν στο µικρότερο αριθµό χρήσιµων πληροφοριών
χρησιµοποιώντας κάποιο είδος του µετασχηµατισµού. Γενικά, το µειωµένο σύνολο
χαρακτηριστικών γνωρισµάτων πρέπει να αντιπροσωπεύσει το αρχικό σύνολο
χαρακτηριστικών γνωρισµάτων, δεδοµένου ότι µια απώλεια πληροφοριών στο µειωµένο
σύνολο οδηγεί στην απώλεια απόδοσης και την ακρίβεια του ANFIS. Οι κοινές µέθοδοι για
την εξαγωγή µεταβλητών είναι η γραµµική διακριτική ανάλυση [LDA] και πρωταρχική
94
ανάλυση συνιστώσας [PCA]. Σε αυτήν την εργασία, η PCA χρησιµοποιείται για την εξαγωγή
χαρακτηριστικών γνωρισµάτων. Αφότου εφαρµόστηκε η PCA, διαπιστώνεται ότι το σύνολο
των µεταβλητών εισαγωγής µπορεί να µειωθεί από 43 σε µόνο 3 εισαγµένες µεταβλητές
χωρίς σοβαρές επιπτώσεις στην ακρίβεια των αποτελεσµάτων. Σε αυτήν την περίπτωση 168
δείγµατα των στοιχείων χρησιµοποιούνται για την εκπαίδευση και άλλα 168 δείγµατα
δηµιουργούνται για τον έλεγχο.
Στην εν λόγω έρευνα, η αρχιτεκτονική του ANFIS είναι η εξής:
Εικόνα 52: Αρχιτεκτονική ANFIS για την εργασία [27].
Σε αυτήν την εργασία, 12 ANFIS παράγονται και οργανώνονται ως ιεραρχικό δίκτυο
ANFIS για να επιτύχουν τα πραγµατικά αποτελέσµατα κατανοµής µεταφοράς ισχύος για το
πρακτικό ισοδύναµο ηλεκτρικό σύστηµα της νότιας Μαλαισίας.
Εικόνα 53: Το ηλεκτρικό σύστηµα µεταφοράς της Νότιας Μαλαισίας.
Τα δεδοµένα εισόδου [D] για κάθε αναπτυγµένο ANFIS περιέχει τις ανεξάρτητες
µεταβλητές όπως η τάση φορτίων [Vload], η πραγµατική ισχύς φορτίου [Pload], η άεργος ισχύς
του φορτίου [Qload], η τάση ηλεκτρογεννήτριας [Vgen], η πραγµατική ισχύς
ηλεκτρογεννήτριας [Pgen], η άεργος ισχύς ηλεκτρογεννήτριας [Qgen] αντιστοίχως σε κάθε
95
ιδιαίτερο ANFIS, οι µέσες πραγµατικές ροές ισχύος των γραµµών [PL1 , PL2 , σε PL37], και την
παράµετρο [T] που είναι και η έξοδος του κάθε ANFIS που ορίζεται ως η συνεισφορά κάθε
γεννήτριας στη εξυπηρέτηση των φορτίων.
Εικόνα 54: Ο σχεδιασµός των 12 ANFIS για τον εντοπισµό της πραγµατικής µεταφοράς ενέργειας.
Τα αποτελέσµατα της εφαρµογής των 12 αυτών µοντέλων ANFIS είναι τα παρακάτω.
Φαίνεται ξεκάθαρα η πολύ καλή αποτελεσµατικότητα των 12 αυτών µοντέλων.
Πίνακας 10: Πίνακας απόδοσης κάθε ξεχωριστού ANFIS.
Το ANFIS που αναπτύχθηκε µπορεί να υπολογίσει την πραγµατική µεταφορά ισχύος
µεταξύ των γεννητριών και του φορτίου µε την πολύ καλή ακρίβεια, σχεδόν 99.95%. Σε
αυτήν την προσοµοίωση, ANFIS υπολογίζει τα αποτελέσµατα σε χρόνο 39,37 msec.
96
5.4 Προβλήµατα Υπολογισµού του ΗλεκτροΜαγνητικού Πεδίου
ενός ∆ικτύου Ηλεκτρικής Ενέργειας
Πολλές φορές χρειάζεται να υπολογιστεί το ηλεκτροµαγνητικό πεδίο που υπάρχει
γύρω από έναν αγωγό ρεύµατος, ανεξαρτήτου τιµής της τάσεως του. Το ηλεκτροµαγνητικό
πεδίο που δηµιουργείται είναι ανάµεσα στην Γη, η οποία θεωρείται ως ηµι-αγωγός, και µια
γραµµή µεταφοράς ρεύµατος η οποία φυσικά είναι αγωγός ρεύµατος. Ειδικότερα όταν οι
αγωγοί αυτοί µεταφέρουν ισχύ µεγάλης εντάσεως – όπως γίνεται στα δίκτυα µεταφοράς και
διανοµής ενέργειας – το ηλεκτροµαγνητικό πεδίο που δηµιουργείται είναι και αυτό
µεγαλύτερης εντάσεως και συνεπώς είναι πιο ουσιαστική η επιρροή αυτού του πεδίου σε
πολλούς τοµείς της ανθρώπινης και όχι µόνο ζωής.
Στο παρελθόν έχουν προταθεί πολλές µεθοδολογίες για τον υπολογισµό αυτού του
πεδίου, οι οποίες όµως ήταν και χρονοβόρες αλλά και µη επαρκείς όσο αφορά την επιθυµητή
ακρίβειας αποτελέσµατος. Μια όµως ενθαρρυντική νέα προσπάθεια έγινε από τους Jasna
Radulović και Vesna Ranković [32], οι οποίοι προσπάθησαν να υπολογίσουν το
ηλεκτροµαγνητικό πεδίο γύρω από µια εναέρια γραµµή ενός δικτύου µεταφοράς ενέργειας
400 kV χρησιµοποιώντας ένα µοντέλο ANFIS.
Οι ερευνητές χρησιµοποίησαν ως δεδοµένα εισόδου τις συντεταγµένες της µιας
εναερίας γραµµής αυτού του δικτύου οι οποίες αντιστοιχούσαν σε συγκεκριµένη τιµή
ηλεκτρικού ρεύµατος και τάσεως, όπου φαίνεται και στον παρακάτω πίνακα. Τα
αποτελέσµατα αυτά πάρθηκαν από προηγούµενες µελέτες των ίδιων των επιστηµόνων, στις
οποίες χρησιµοποίησαν αριθµητικές µεθόδους για τον υπολογισµό των τιµών ρεύµατος και
τάσεως.
Πίνακας 11: Συντεταγµένες των γραµµών µεταφοράς.
∆ηµιουργήθηκαν λοιπόν 2 διαφορετικά µοντέλα ANFIS, µε το πρώτο να έχει ως
έξοδο την ένταση του ηλεκτρικού πεδίου Εe και το δεύτερο την ένταση του µαγνητικού
πεδίου He. Κάθε ένα από τα 2 µοντέλα περιέχουν 20 ρυθµιζόµενους παραµέτρους, 8 από
αυτούς είναι πρωταρχικοί και οι υπόλοιποι συνεχόµενοι. Οι αρχικές τιµές αυτών των
παραµέτρων αποκτήθηκαν από τον υβριδικό αλγόριθµο εκπαίδευσης. Ως συνάρτηση
συµµετοχής των 2 ANFIS χρησιµοποιήθηκε η γνωστή Γκαουσιανή.
Οι κανόνες που χρησιµοποιήθηκαν για τα δύο µοντέλα ήταν ως εξής:
Για τον υπολογισµό της έντασης του ηλεκτρικού πεδίου Εe:
Εάν το x είναι µικρό ΚΑΙ το y είναι µικρό, f1=0.1051x+0.1378y+0.7088
Εάν το x είναι µικρό ΚΑΙ το y είναι µεγάλο, f2=-0.1564x+0.04459y-2.144
97
Εάν το x είναι µεγάλο ΚΑΙ το y είναι µικρό, f3=0.2743x+0.1074y+0.06638
Εάν το x είναι µεγάλο ΚΑΙ το y είναι µεγάλο, f4=-0.3609x+0.04062y-0.09911
Για τον υπολογισµό της έντασης του ηλεκτρικού πεδίου Εe:
Εάν το x είναι µικρό ΚΑΙ το y είναι µικρό, f1=0.191x+0.004974y+1.089
Εάν το x είναι µικρό ΚΑΙ το y είναι µεγάλο, f2=-0.02403x-0.0009426y+0.4061
Εάν το x είναι µεγάλο ΚΑΙ το y είναι µικρό, f3=0.2574x+0.002872y+0.135
Εάν το x είναι µεγάλο ΚΑΙ το y είναι µεγάλο, f4=-0.0242x+0.004821y+0.03016
Στον Πίνακα 11 βλέπουµε την σύγκριση µεταξύ των αποτελεσµάτων από τα 2
προτεινόµενα µοντέλα ANFIS και του προηγούµενου αριθµητικού µοντέλου που είχαν
προτείνει οι ερευνητές. Βλέπουµε ότι το απόλυτο σφάλµα µεταξύ των 2 µεθοδολογιών είναι
κάτω από 5%, αρκετά χαµηλό. Για τον υπολογισµό των εντάσεων των δύων πεδίων, το
απόλυτο σφάλµα υπολογίστηκε ως εξής:
( )100
e e ANFIS
E
e
E Ee
E
−= και
( )100
e e ANFIS
H
e
H He
H
−=
Πίνακας 12: Σύγκριση αποτελεσµάτων υπολογισµού µεταξύ ANFIS και προηγούµενης προσπάθειας.
5.5 Προβλήµατα Ασφάλειας της Απελευθερωµένης Αγοράς
Ηλεκτρισµού
Όπως αναφέρθηκε εκτενώς στο κεφάλαιο 1.3, η απελευθέρωση της αγοράς του
ηλεκτρισµού είναι η τάση που διαρκώς εξαπλώνεται στις χώρες που επιθυµούν να εισάγουν
τον ανταγωνισµό µεταξύ ιδιωτικών/κοινωφελών εταιρειών και καταναλωτικών πελατών. Ο
κύριος σκοπός αυτού του ανοίγµατος είναι η παροχή καλύτερης ποιότητας ηλεκτρισµού σε
ανταγωνιστικές τιµές πώλησης.
Κύριο µέληµα στο νέο αυτό καθεστώς είναι η ασφάλεια της αγοράς και του
συστήµατος. Η ασφάλεια ορίζεται ως η ικανότητα εγγύησης της συνεχούς λειτουργίας του
συστήµατος ενέργειας κάτω από κανονικές συνθήκες ακόµα και µετά από µερικές
διαταραχές.
98
Το δίκτυο µεταφοράς εισάγει κάποιους, κυρίως τεχνικούς, περιορισµούς17 στη
λειτουργία αυτής της αποκεντρωµένης αγοράς. Αν δε τηρηθούν σωστά αυτοί οι περιορισµοί
µπορούν να συµβούν διακοπές παροχής ενέργειας, κάτι που θα έχει δυσµενείς οικονοµικές
αλλά και λειτουργικές συνέπειες. Είναι λοιπόν επιθυµητό να υπάρχει ένας αποτελεσµατικός
τρόπος αναγνώρισης της ασφάλειας ή όχι ενός συστήµατος.
Οι I. S. Saeh και A. Khairuddin [29] χρησιµοποίησαν 3 τεχνικές από το χώρο της
Τεχνητής Νοηµοσύνης για να µπορέσουν να βελτιώσουν τα θέµατα ασφάλειας που αφορούν
στο σχεδιασµό και στη λειτουργία ενός αποκεντρωµένου συστήµατος: τα Τεχνητά
Νευρωνικά ∆ίκτυα, τα ∆έντρα Αποφάσεων και τα ANFIS.
Τα δεδοµένα που χρησιµοποιήθηκαν αποκτήθηκαν από την µέθοδο ανάλυσης ροής
φορτίου Newton-Raphson και χρησιµοποιήθηκαν για την εκπαίδευση και τον έλεγχο των
προτεινόµενων τεχνικών, αλλά και για τη σύγκριση αυτή της µεθόδου µε τις προτεινόµενες
τεχνικές όσο αφορά τη ακρίβεια. Τα δεδοµένα εισόδου των προτεινόµενων τεχνικών είναι οι
φορτίσεις των γραµµών ηλεκτρισµού και τα µεγέθη των τάσεων στα κυκλώµατα φορτίων.
Η µεθοδολογία κάθε τεχνικής προγραµµατίζεται και ελέγχεται σε µερικά συστήµατα
ελέγχου όπως τα συστήµατα ελέγχου IEEE 5, 30, 57 and 118. Τα αποτελέσµατα κάθε
τεχνικής συγκρίνοντας µε βάση της ακριβείας αυτών σε σχέση µε τη µέθοδο αναγωγής αλλά
και το απαιτούµενο υπολογιστικό χρόνου.
Εικόνα 55: Το σύστηµα ελέγχου ΙΕΕΕ 5.
Στον παρακάτω πίνακα φαίνεται οι συγκρίσεις των τεχνικών από την Τεχνητή
Νοηµοσύνη µε την τεχνική Newton-Raphson οσο αφορά την ακρίβεια των αποτελεσµάτων.
Παρατηρούµε ότι τα Νευρωνικά ∆ίκτυα είναι τα πιο ακριβή (µε ποσοστό ακρίβειας 96.29%)
και µετά ακολουθούν το µοντέλο ANFIS µε ακρίβεια 81.48%.
Πίνακας 13: Σύγκριση των 4 τεχνικών όσο αφορά τη ακρίβεια των αποτελεσµάτων.
Όταν εφαρµόζουν τις προτεινόµενες τεχνικές σε όλα τα συστήµατα ελέγχου, τα
ποσοστά ακρίβειας όσο αφορά στην εκπαίδευση των τεχνικών για κάθε σύστηµα ελέγχου
φαίνονται στο παρακάτω πίνακα. Παρατηρείται µια πολύ καλή ακρίβεια και για τις τρεις
προτεινόµενες τεχνικές.
17 Μερικοί από αυτούς τους περιορισµούς είναι η υπερφόρτωση των γραµµών µεταφοράς, η διακύµανση της τάσης κτλ.
99
Πίνακας 14: Ακρίβεια τεχνικών στην εκπαίδευση για όλα τα συστηµένα ελέγχου.
Πίνακας 15: Ακρίβεια τεχνικών στον έλεγχο για όλα τα συστήµατα ελέγχου.
Οµοίως, τα ποσοστά ακρίβειας όσο αφορά τον έλεγχο των τεχνικών για κάθε σύστηµα
ελέγχου φαίνονται στο παραπάνω πίνακα.
Η έρευνα αυτή ανέδειξε την χρησιµότητα των προτεινόµενων τεχνικών στην
διασφάλιση της σωστή λειτουργίας και οργάνωσης µιας αποκεντρωµένης και
απελευθερωµένης αγοράς ηλεκτρισµού. Όσο αφορά την εφαρµογή του ANFIS, παρατηρείται
ξεκάθαρα οι µελλοντικές προοπτικές από την εφαρµογή του στη διαχείριση τέτοιου είδους
προβληµάτων.
100
6. Αποτελέσµατα από τη χρήση του ANFIS
6.1 Αποτελέσµατα πρόβλεψης της συνολικής εισαγόµενης ποσότητας
ηλεκτρικής ενέργειας.
Στο πρακτικό κοµµάτι της εργασίας κατασκευάστηκε ένας αλγόριθµος για να τρέχει
σε Matlab, κάνοντας χρήση του fuzzy logic toolbox, το οποίο περιέχει όλα τα απαραίτητα
εργαλεία για την ολοκληρωµένη ανάπτυξη και αναλυτική χρήση ενός Προσαρµοστικού
Νεύρο-Ασαφούς Συστήµατος Συµπερασµού (Adaptive Neural Fuzzy Inference, ANFIS) για
την πρόβλεψη της εισαγόµενης ηλεκτρικής ενέργειας στο διασυνδεδεµένο δίκτυο της Νέας
Αγγλίας των Ηνωµένων Πολιτειών της Αµερικής.
Ο αλγόριθµος δέχεται δεδοµένα από µια χρόνο-σειρά που περιέχει καταγεγραµµένα
στοιχεία για την ποσότητα της εισαγόµενης ενέργειας στο δίκτυο της Νέας Αγγλίας και µε
βάση τις τιµές του παρελθόντος, προβλέπει τις αναµενόµενες τιµές για το µέλλον. Η χρόνο-
σειρά που χρησιµοποιήσαµε, περιέχει ωριαία δεδοµένα για κάθε µέρα από την 1-1-09 ως την
31-12-09 ή αλλιώς 8760 παρατηρήσεις, ήτοι 1 έτος x 365 µέρες x 24 ώρες = 8760 στοιχεία.
Τα δεδοµένα αυτά τα χρησιµοποιήσαµε για την αξιολόγηση της προβλεπτικής
ικανότητας του µοντέλου, δηµιουργώντας ένα αντίστοιχο πίνακα 8760 x 2 όπου στην πρώτη
στήλη είναι οι ηµεροµηνίες και οι ώρες από 1/1/2009 έως 31/12/2009 και στη δεύτερη στήλη
τα 8760 καταγεγραµµένα δεδοµένα. Έπειτα δηµιουργούµε ένα ANFIS, µε τη βοήθεια του
fuzzy logic toolbox, το οποίο υπολογίζει τις καταλληλότερες παραµέτρους των συναρτήσεων
συµµετοχής (MF parameters).
Για λόγους βοηθητικούς (για να έχουµε καλύτερη οπτική παρατήρηση),
παρουσιάζουµε στην Εικόνα 5618 τα δεδοµένα εισόδου συναρτήσει του χρόνου και στη
συνέχεια έχουµε τις Εικόνα 57 και Εικόνα 58 στις οποίες περιέχονται δυο ξεχωριστές
γραφικές παραστάσεις, η πρώτη µε το όνοµα “error curves” και η δεύτερη µε το όνοµα “step
sizes”. Στην Εικόνα 57 απεικονίζονται τα σφάλµατα εκπαίδευσης και ελέγχου (ως τη ρίζα του
µέσου τετραγωνικού σφάλµατος-RMSE) συναρτήσει του αριθµού των επαναλήψεων
(epochs). Στη Εικόνα 58 έχουµε την καµπύλη του µεγέθους βήµατος συναρτήσει των εποχών.
Αυτό µας βοηθάει να προσαρµόσουµε το αρχικό µέγεθος βήµατος στο βέλτιστο, βλέποντας
τους αντίστοιχους ρυθµούς µείωσης και αύξησης, πάνω στο σχήµα.
18 Οι τιµές στο γράφηµα της Εικόνας 56 έχουν αρνητικό πρόσηµο γιατί στις καταγραφές του συστήµατος, οι εισαγόµενες ποσότητες έχουν αρνητικό πρόσηµο ενώ οι εξαγόµενες ποσότητες έχουν θετικό πρόσηµο.
101
Εικόνα 56: Οι πραγµατικές τιµές της εισαγόµενης ενέργειας στο δίκτυο της Νέας Αγγλίας για το διάστηµα από 1-1-09
ως 31-12-09.
Εικόνα 57: Σφάλµα εκπαίδευσης (RMSE) σε σχέση µε το αριθµό των εποχών.
Εικόνα 58: Μέγεθος βήµατος ανάλογα των αριθµό των εποχών.
102
Στη συνέχεια αξιολογούµε το ANFIS συγκρίνοντας τα αποτελέσµατα του ως προς τα
επιθυµητά αποτελέσµατα της πρόβλεψης των τελευταίων 80 δεδοµένων και οπτικοποιούµε το
αποτέλεσµα µε κοινή παρουσίαση τους στην Εικόνα 59.
Εικόνα 59: Σύγκριση προβλέψεων του µοντέλου ANFIS έναντι των επιθυµητών τιµών για τις 80 τελευταίες ωριαίες
καταγραφές (δλδ. για τις 3 τελευταίες µέρες του 2009). Ως συνάρτηση συµµετοχής χρησιµοποιήθηκε η καµπανοειδής.
Παίρνοντας τη διαφορά (δηλαδή το σφάλµα της πρόβλεψης) των δυο προηγούµενων
αποτελεσµάτων (πραγµατικά- ANFIS) δηµιουργούµε την Εικόνα 60 όπου έχουµε το γράφηµα
που απεικονίζει τα σφάλµατα συναρτήσει των παρατηρήσεων.
Εικόνα 60: Σφάλµατα πρόβλεψης του ANFIS για τη χρονική περίοδο 1-1-09 ως 31-12-09.
103
Ως συναρτήσεις συµµετοχής χρησιµοποίηθηκαν 4 ειδών συναρτήσεις: Την
καµπανοειδής συνάρτηση, την τριγωνική συνάρτηση, την απλή γκαουσιανή και την διπλή
γκαουσιανή. Τις αρχικές συναρτήσεις συµµετοχής που προέκυψαν από την προσαρµογή των
παραµέτρων τους µε τη βοήθεια του ANFIS τις παρουσιάζουµε παρακάτω µε τίτλο “initial
MFs” και τις τελικές συναρτήσεις συµµετοχής που προέκυψαν µετά την εκπαίδευση του
µοντέλου ANFIS τις παρουσιάζουµε µε τίτλο “final MFs”. Παρακάτω παρουσιάζουµε την
αρχική και την τελική καµπανοειδής συνάρτηση του ANFIS.
Εικόνα 61: Αρχική καµπανοεδής συνάρτηση συµµετοχής.
Εικόνα 62: Τελική καµπανοειδής συνάρτηση συµµετοχής.
Παρακάτω παρουσιάζεται η διασπορά των δεδοµένων εκπαίδευσης.
104
Εικόνα 63: ∆ιασπορά των δεδοµένων εκπαίδευσης.
Στη παρακάτω εικόνα παρουσιάζεται η δοµή του ANFIS που χρησιµοποιήθηκε.
∆ιακρίνονται οι δύο είσοδοι µε τις συναρτήσεις συµµετοχής, ο µηχανισµός συµπερασµατός
µε τους τέσσερις κανόνες και η έξοδος του συστήµατος.
Εικόνα 64: ∆οµή του ANFIS.
Ένας τυπικός ασαφής κανόνας για ένα ασαφές µοντέλο τύπου Sugeno έχει την
ακόλουθη µορφή:
αν x είναι A ή Β τότε z = f(x)
όπου τα A και B είναι ασαφή σύνολα στα αίτια (antecedent), ενώ το z = f(x) είναι µια σαφή
(crisp) συνάρτηση στο συµπέρασµα (consequent). Συνήθως το f(x) είναι ένα πολυώνυµο της
µεταβλητής εισόδου x, αλλά µπορεί να είναι οποιαδήποτε συνάρτηση αρκεί να µπορεί να
105
περιγράψει κατάλληλα την έξοδο του µοντέλου εντός της ασαφούς περιοχής που καθορίζεται
από τα αίτια του κανόνα. Εδώ εξετάζεται ένα πρώτου βαθµού ασαφές µοντέλο τύπου Sugeno
το οποίο σηµαίνει ότι το f(x) είναι ένα α΄ βαθµού πολυώνυµο. Στο µοντέλο ισχύουν οι
παρακάτω κανόνες:
1.Αν x είναι low τότε f1=p1*x +r1
2.Αν x είναι high τότε f2=p2*x +r2
Παρακάτω παρουσιάζεται ένας πίνακας µε όλα τα χαρακτηριστικά του ANFIS που
χρησιµοποιήθηκε.
Πίνακας 16: Χαρακτηριστικά του ANFIS.
Ακολούθησε η εξαγωγή τεσσάρων τύπων σφαλµάτων ώστε να µπορέσει να γίνει η
σύγκριση µεταξύ των µοντέλων. Τα σφάλµατα αυτά είναι τα:
• Το µέσο τετραγωνικό σφάλµα MSE= 2
1
1 N
t
t
eN =∑
• Η ρίζα του µέσου τετραγωνικού σφάλµατος RMSE=
2
1
N
t
r
e
N
=∑
• Το µέσο απόλυτο σφάλµα MAE=1
1 N
t
t
eN =∑
• Το µέσο απόλυτο ποσοστιαίο σφάλµα MAPE=1
100 N
t
i
eN =
∑
Τύπος ασαφούς μηχανισμού συμπερασμού Sugeno
Αριθμός εισόδων 1
Ονομασία Εισόδου t
Αριθμός εξόδων 1
Ονομασία Εξόδου t+1
Τύπος συναρτήσεων συμμετοχής εισόδων
1. Καμπανοειδής 2. Τριγωνική
3. Γκαουσιανή 4. Διπλή
γκαουσιανή
Αριθμός συναρτήσεων εισόδου 2
Αριθμός κανόνων 2
And Method Product
Or Method Max
Imp. Method Product
Agg. Method Max
Defuzz. Method Wtaver
106
όπου t tt
t
F Ae
A
−= και At και Ft είναι πραγµατικές τιµές.
Σε αυτό το σηµείο ακολουθεί περαιτέρω αξιολόγηση του µοντέλου ANFIS µε τα
µοντέλα AR, και ARΜΑ µε τη βοήθεια του System Identification Toolbox της Matlab, από
τα οποία εξάγουµε τους ίδιους τύπους σφαλµάτων όπως και στο ANFIS (Πίνακας 17). Ο
πίνακας παίρνει όλες τις περιπτώσεις εφαρµογής των 4 διαφορετικών συναρτήσεων
συµµετοχής, ώστε να µπορούµε να συγκρίνουµε και να επιλέγουµε την κατάλληλη για κάθε
εφαρµογή. Στη συγκεκριµένη περίπτωση θα έχουµε:
MSE RMSE MAE MAPE
AR 0,083892 0,000290 0,000217 0,000012
ARMA 0,084939 0,000291 0,000218 0,000012
Generalized bell curve membership function,
ANFIS1 0,038577 0,000196 0,000147 0,000008
Triangular membership function,
ANFIS2 4,396391 0,002097 0,000376 0,000015
Two-sided Gaussian membership function,
ANFIS3 0,038595 0,000196 0,000147 0,000008
Gaussian curve membership function
ANFIS4 0,038590 0,000196 0,000147 0,000008
Τιμές x106
Πίνακας 17: Σύγκριση σφαλµάτων του ANFIS µε τις µεθόδους AR και ARMA.
Από τον παραπάνω πίνακα, βγάζουµε ως συµπέρασµα ότι η συνάρτηση συµµετοχής
του ANFIS µε την οποία έχουµε τις µικρότερες τιµές σφαλµάτων είναι η καµπανοειδής. Γι’
αυτό ακριβώς τον λόγο παρουσιάσαµε την σύγκριση των προβλεπόµενων µε των
πραγµατικών τιµών όταν έχουµε ως συνάρτηση συµµετοχής την καµπανοειδής. Και στις
παρακάτω εφαρµογές που θα δείξουµε, θα παρουσιάσουµε τα αποτελέσµατα µόνο για την
συνάρτηση συµµετοχής που παίρνουµε τις χαµηλότερες τιµές σφαλµάτων, για λόγους
οικονοµίας παρουσίασης.
Αυτό που εκπλήσσει στην παρούσα εφαρµογή είναι οι µεγάλες τιµές σφαλµάτων που
έχουµε όταν στο ANFIS έχουµε ως συνάρτηση συµµετοχής την τριγωνική. Είναι εµφανές
πόσο ακατάλληλη, σε σχέση µε τις άλλες 3 συναρτήσεις συµµετοχής, είναι η τριγωνική
συµµετοχή σε αυτήν την εφαρµογή. Όπως θα δούµε και παρακάτω, αυτό δεν ισχύει στις
άλλες 3 εφαρµογές.
107
6.2 Αποτελέσµατα πρόβλεψης της εισαγόµενης ποσότητας
ηλεκτρικής ενέργειας από µια διασύνδεση των δικτύων.
Οµοίως µε την πρώτη εφαρµογή, κατασκευάστηκε ένας παραπλήσιος αλγόριθµος για
να τρέχει σε Matlab, για την πρόβλεψη της εισαγόµενης ηλεκτρικής ενέργειας στο
διασυνδεδεµένο δίκτυο της Νέας Αγγλίας από την διασύνδεση HighGate µε το Quebec19.
Επιλέξαµε να ασχοληθούµε µε αυτήν την διασύνδεση επειδή από αυτήν την διασύνδεση
έχουµε αποκλειστικά εισαγωγή ηλεκτρικής ενέργειας, δλδ. εισάγεται µόνο και δεν εξάγεται
ενέργεια (βλ. Εικόνα 13). Ο αλγόριθµος δέχεται δεδοµένα από µια χρόνο-σειρά που περιέχει
καταγεγραµµένα στοιχεία για την ποσότητα της εισαγόµενης ενέργειας στο δίκτυο της Νέας
Αγγλίας από την συγκεκριµένη διασύνδεση και µε βάση τις τιµές του παρελθόντος,
προβλέπει τις αναµενόµενες τιµές για το µέλλον. Η χρόνο-σειρά που χρησιµοποιήσαµε,
οµοίως και µε την πρώτη εφαρµογή, περιέχει ωριαία δεδοµένα για κάθε µέρα από την 1-1-09
ως την 31-12-09 ή αλλιώς 8760 παρατηρήσεις.
Τα δεδοµένα αυτά τα χρησιµοποιήσαµε για την αξιολόγηση της προβλεπτικής
ικανότητας του µοντέλου, δηµιουργώντας ένα αντίστοιχο πίνακα 8760 x 2 όπου στην πρώτη
στήλη είναι οι ηµεροµηνίες και οι ώρες από 1/1/2009 έως 31/12/2009 και στη δεύτερη στήλη
τα 8760 καταγεγραµµένα δεδοµένα. Έπειτα δηµιουργούµε ένα ANFIS, µε τη βοήθεια του
fuzzy logic toolbox, το οποίο υπολογίζει τις καταλληλότερες παραµέτρους των συναρτήσεων
συµµετοχής (MF parameters).
Στην Εικόνα 65 έχουµε τα πραγµατικά δεδοµένα εισόδου συναρτήσει του χρόνου για
τον µήνα Ιανουάριο του 2009 και στη συνέχεια έχουµε τις Εικόνα 66 και Εικόνα 67 οι οποίες
είναι 2 ξεχωριστές γραφικές παραστάσεις, η πρώτη µε το όνοµα “error curves” και η δεύτερη
µε το όνοµα “step sizes”.
Εικόνα 65: Πραγµατικά δεδοµένα εισαγωγής ηλεκτρικής ενέργειας απο την διασύνδεση HQHIGATE για το µήνα
Ιανουάριο του 2009.
19 το Quebec διασυνδέεται, όπως αναφέραµε στο πρώτο κεφάλαιο, µε 2 ξεχωριστές διασυνδέσεις µε την Νέα Αγγλία, µε την διασύνδεση Hydro Quebec, HIGHGATE και µε την διασύνδεση Hydro Quebec, Phase1/Phase2 Interface.
108
Στην Εικόνα 66 απεικονίζονται τα σφάλµατα εκπαίδευσης και ελέγχου (ως τη ρίζα
του µέσου τετραγωνικού σφάλµατος-RMSE) συναρτήσει του αριθµού των επαναλήψεων
(epochs). Στη Εικόνα 67 σχεδιάζουµε την καµπύλη του µεγέθους βήµατος συναρτήσει των
εποχών. Αυτό µας βοηθάει να προσαρµόσουµε το αρχικό µέγεθος βήµατος στο βέλτιστο,
βλέποντας τους αντίστοιχους ρυθµούς µείωσης και αύξησης, πάνω στο σχήµα.
Εικόνα 66: Σφάλµα εκπαίδευσης σε σχέση µε τον αριθµό εποχών.
Εικόνα 67: Μέγεθος βήµατος ανάλογα των αριθµό των εποχών.
Στη συνέχεια αξιολογούµε το ANFIS συγκρίνοντας τα αποτελέσµατα του ως προς τα
επιθυµητά αποτελέσµατα της πρόβλεψης των τελευταίων 80 δεδοµένων και οπτικοποιούµε το
αποτέλεσµα µε κοινή παρουσίαση τους στην Εικόνα 68.
109
Εικόνα 68: Σύγκριση προβλέψεων του µοντέλου ANFIS έναντι των επιθυµητών τιµών για τις 80 τελευταίες ωριαίες
καταγραφές (δλδ. για τις 3 τελευταίες µέρες του 2009). Ως συνάρτηση συµµετοχής χρησιµοποιήθηκε η τριγωνική.
Παίρνοντας τη διαφορά (δηλαδή το σφάλµα της πρόβλεψης) των δυο προηγούµενων
αποτελεσµάτων (πραγµατικά- ANFIS) δηµιουργούµε την Εικόνα 69 όπου έχουµε το γράφηµα
που απεικονίζει τα σφάλµατα συναρτήσει των παρατηρήσεων.
Εικόνα 69: Σφάλµατα πρόβλεψης του ANFIS για τη χρονική περίοδο 1-1-09 ως 31-12-09.
110
Και σε αυτήν την εφαρµογή, ως συναρτήσεις συµµετοχής χρησιµοποιηθήκαν 4 ειδών
συναρτήσεις: Την καµπανοειδής συνάρτηση, την τριγωνική συνάρτηση, την απλή
γκαουσιανή και την διπλή γκαουσιανή. Παρακάτω παρουσιάζουµε την αρχική και την τελική
τριγωνική συνάρτηση του ANFIS.
Εικόνα 70: Αρχική τριγωνική συνάρτηση συµµετοχής.
Εικόνα 71: Τελική τριγωνική συνάρτηση συµµετοχής.
Παρακάτω παρουσιάζεται η διασπορά των δεδοµένων εκπαίδευσης.
111
Εικόνα 72: ∆ιασπορά των δεδοµένων εκπαίδευσης.
Η δοµή του ANFIS που χρησιµοποιήθηκε είναι ακριβώς η ίδια που χρησιµοποιήθηκε
προηγουµένως. Έχουµε λοιπόν την αξιολόγηση του µοντέλου ANFIS µε τα µοντέλα AR, και
ARΜΑ µε τη βοήθεια του System Identification Toolbox της Matlab, από τα οποία εξάγουµε
τους ίδιους τύπους σφαλµάτων όπως και στο ANFIS (Πίνακας 18).
MSE RMSE MAE MAPE
AR 3,5745 0,0598 0,0285 Inf
ARMA 3,5798 0,0598 0,0286 Inf
Generalized bell curve membership function,
ANFIS1 1,7383 0,0417 0,0203 Inf
Triangular membership function,
ANFIS2 1,6371 0,0405 0,0199 Inf
Two-sided Gaussian membership function,
ANFIS3 1,6869 0,0411 0,0213 Inf
Gaussian curve membership function
ANFIS4 1,6442 0,0405 0,0203 Inf
Τιμές x103
Πίνακας 18: Σύγκριση σφαλµάτων του ANFIS µε τις µεθόδους AR και ARMA.
Από τον παραπάνω πίνακα, βγάζουµε ως συµπέρασµα ότι η συνάρτηση συµµετοχής
του ANFIS µε την οποία έχουµε τις µικρότερες τιµές σφαλµάτων είναι η τριγωνική. Αυτό
που εκπλήσσει στην παρούσα εφαρµογή είναι οι πολύ καλές τιµές σφαλµάτων που έχουµε για
όλα τα ANFIS που εφαρµόσαµε.
112
6.3 Αποτελέσµατα πρόβλεψης της τιµής αγοράς της εισαγόµενης
ηλεκτρικής ενέργειας από µια διασύνδεση (Day-Ahead Price).
Αφού εξετάσαµε την εφαρµογή της πρόβλεψης όσο αφορά την ποσότητα της
ηλεκτρικής ενέργειας που εισάγετε, το επόµενο βήµα είναι να εφαρµόσουµε παρόµοιο
αλγόριθµο και για την πρόβλεψη της τιµής αγοράς της εισαγόµενης ηλεκτρικής ενέργειας από
την συγκεκριµένη διασύνδεση της Νέας Αγγλίας. Έτσι κατασκευάστηκε ένας παραπλήσιος
αλγόριθµος για να τρέχει σε Matlab, για την πρόβλεψη της τιµή αγοράς της εισαγόµενης
ηλεκτρικής ενέργειας. Όπως αναφέρθηκε στο πρώτο κεφαλαιο, οι αγοραπωλησίες ηλεκτρικής
ενέργειας µεταξύ 2 διασυνδεδεµένων δικτύων γίνεται µε βάση 2 ξεχωριστές τιµές: την τιµή
της προηγούµενης ηµέρας (day ahead price) και την τιµή πραγµατικού χρόνου (real time
price). Ο αλγόριθµος δέχεται δεδοµένα από µια χρόνο-σειρά που περιέχει καταγεγραµµένα
στοιχεία για την τιµή αγοράς της εισαγόµενης ενέργειας στο δίκτυο της Νέας Αγγλίας από
την συγκεκριµένη διασύνδεση και µε βάση τις τιµές του παρελθόντος, προβλέπει τις
αναµενόµενες τιµές για το µέλλον. Η χρόνο-σειρά που χρησιµοποιήσαµε περιέχει τις ωριαίες
τιµές αγοράς για κάθε µέρα από την 1-1-09 ως την 31-12-09 ή αλλιώς 8760 παρατηρήσεις.
Τα δεδοµένα αυτά τα χρησιµοποιήσαµε για την αξιολόγηση της προβλεπτικής
ικανότητας του µοντέλου, δηµιουργώντας ένα αντίστοιχο πίνακα 8760 x 2 όπου στην πρώτη
στήλη είναι οι ηµεροµηνίες και οι ώρες από 1/1/2009 έως 31/12/2009 και στη δεύτερη στήλη
τα 8760 καταγεγραµµένα δεδοµένα. Έπειτα δηµιουργούµε ένα ANFIS, µε τη βοήθεια του
fuzzy logic toolbox, το οποίο υπολογίζει τις καταλληλότερες παραµέτρους των συναρτήσεων
συµµετοχής (MF parameters).
Στην Εικόνα 73 έχουµε τα πραγµατικά δεδοµένα εισόδου συναρτήσει του χρόνου για
τον µήνα Ιανουάριο του 2009 και στη συνέχεια έχουµε τις Εικόνα 74 και Εικόνα 75 οι οποίες
είναι 2 ξεχωριστές γραφικές παραστάσεις, η πρώτη µε το όνοµα “error curves” και η δεύτερη
µε το όνοµα “step sizes”.
0,00
20,00
40,00
60,00
80,00
100,00
120,00
140,00
1/1
/20
09
3/1
/20
09
5/1
/20
09
7/1
/20
09
9/1
/20
09
11
/1/2
00
9
13
/1/2
00
9
15
/1/2
00
9
17
/1/2
00
9
19
/1/2
00
9
21
/1/2
00
9
23
/1/2
00
9
25
/1/2
00
9
27
/1/2
00
9
29
/1/2
00
9
31
/1/2
00
9
Day-Ahead Price from HQHIGATE
Εικόνα 73: Πραγµατικά δεδοµένα της τιµής αγοράς (day-ahead price) της ηλεκτρικής ενέργειας από την διασύνδεση
HQHIGATE για το µήνα Ιανουάριο του 2009.
113
Στην Εικόνα 74 απεικονίζονται τα σφάλµατα εκπαίδευσης και ελέγχου (ως τη ρίζα
του µέσου τετραγωνικού σφάλµατος-RMSE) συναρτήσει του αριθµού των επαναλήψεων
(epochs). Στη Εικόνα 75 σχεδιάζουµε την καµπύλη του µεγέθους βήµατος συναρτήσει των
εποχών. Αυτό µας βοηθάει να προσαρµόσουµε το αρχικό µέγεθος βήµατος στο βέλτιστο,
βλέποντας τους αντίστοιχους ρυθµούς µείωσης και αύξησης, πάνω στο σχήµα.
Εικόνα 74: Σφάλµα εκπαίδευσης σε σχέση µε τον αριθµό εποχών.
Εικόνα 75: Μέγεθος βήµατος ανάλογα των αριθµό των εποχών.
Στη συνέχεια αξιολογούµε το ANFIS συγκρίνοντας τα αποτελέσµατα του ως προς τα
επιθυµητά αποτελέσµατα της πρόβλεψης των τελευταίων 80 δεδοµένων και οπτικοποιούµε το
αποτέλεσµα µε κοινή παρουσίαση τους στην Εικόνα 76.
114
Εικόνα 76: Σύγκριση προβλέψεων του µοντέλου ANFIS έναντι των επιθυµητών τιµών για τις 80 τελευταίες ωριαίες
καταγραφές (δλδ. για τις 3 τελευταίες µέρες του 2009). Ως συνάρτηση συµµετοχής χρησιµοποιήθηκε η τριγωνική.
Παίρνοντας τη διαφορά (δηλαδή το σφάλµα της πρόβλεψης) των δυο προηγούµενων
αποτελεσµάτων (πραγµατικά- ANFIS) δηµιουργούµε την Εικόνα 77 όπου έχουµε το γράφηµα
που απεικονίζει τα σφάλµατα συναρτήσει των παρατηρήσεων.
Εικόνα 77: Σφάλµατα πρόβλεψης του ANFIS για τη χρονική περίοδο 1-1-09 ως 31-12-09.
115
Και σε αυτήν την εφαρµογή, ως συναρτήσεις συµµετοχής χρησιµοποιηθήκαν 4 ειδών
συναρτήσεις: Την καµπανοειδής συνάρτηση, την τριγωνική συνάρτηση, την απλή
γκαουσιανή και την διπλή γκαουσιανή. Παρακάτω παρουσιάζουµε την αρχική και την τελική
τριγωνική συνάρτηση του ANFIS.
Εικόνα 78: Αρχική τριγωνική συνάρτηση συµµετοχής.
Εικόνα 79: Τελική τριγωνική συνάρτηση συµµετοχής.
Παρακάτω παρουσιάζεται η διασπορά των δεδοµένων εκπαίδευσης.
116
Εικόνα 80: ∆ιασπορά των δεδοµένων εκπαίδευσης.
Η δοµή του ANFIS που χρησιµοποιήθηκε είναι ακριβώς η ίδια που χρησιµοποιήθηκε
προηγουµένως. Έχουµε λοιπόν την αξιολόγηση του µοντέλου ANFIS µε τα µοντέλα AR, και
ARΜΑ µε τη βοήθεια του System Identification Toolbox της Matlab, από τα οποία εξάγουµε
τους ίδιους τύπους σφαλµάτων όπως και στο ANFIS (Πίνακας 19).
MSE RMSE MAE MAPE
AR 69,2357 8,3208 5,7150 12,5266
ARMA 67,1355 8,1936 5,5135 12,0859
Generalized bell curve membership function,
ANFIS1 27,2735 5,2224 3,4096 7,5396
Triangular membership function,
ANFIS2 27,0221 5,1983 3,3743 7,4742
Two-sided Gaussian membership function,
ANFIS3 27,2793 5,2230 3,4084 7,5322
Gaussian curve membership function
ANFIS4 27,2357 5,2188 3,4063 7,5206 Πίνακας 19: Σύγκριση σφαλµάτων του ANFIS µε τις µεθόδους AR και ARMA.
Από τον παραπάνω πίνακα, βγάζουµε ως συµπέρασµα ότι και σε αυτήν την εφαρµογή
η συνάρτηση συµµετοχής του ANFIS µε την οποία έχουµε τις µικρότερες τιµές σφαλµάτων
είναι η τριγωνική. Αυτό που εκπλήσσει στην παρούσα εφαρµογή είναι οι πολύ καλές τιµές
σφαλµάτων που έχουµε για όλα τα ANFIS που εφαρµόσαµε, αλλά και πόσο πιο µικρές είναι
αυτές οι τιµές σε σχέση µε τις παραδοσιακές µεθοδολογίες πρόβλεψης AR και ARMA.
117
6.4 Αποτελέσµατα πρόβλεψης της τιµής αγοράς της εισαγόµενης
ηλεκτρικής ενέργειας από µια διασύνδεση (Real-Time Price).
Η τελευταία εφαρµογή που γίνεται είναι η πρόβλεψη της τιµής αγοράς πραγµατικού
χρόνου (real-time price) της εισαγόµενης ηλεκτρικής ενέργειας από την συγκεκριµένη
διασύνδεση της Νέας Αγγλίας. Έτσι κατασκευάστηκε ένας παραπλήσιος αλγόριθµος για να
τρέχει σε Matlab, για την πρόβλεψη της τιµή αγοράς της εισαγόµενης ηλεκτρικής ενέργειας.
Ο αλγόριθµος δέχεται δεδοµένα από µια χρόνο-σειρά που περιέχει καταγεγραµµένα στοιχεία
για την τιµή αγοράς της εισαγόµενης ενέργειας στο δίκτυο της Νέας Αγγλίας από την
συγκεκριµένη διασύνδεση και µε βάση τις τιµές του παρελθόντος, προβλέπει τις
αναµενόµενες τιµές για το µέλλον. Η χρόνο-σειρά που χρησιµοποιήσαµε περιέχει τις ωριαίες
τιµές αγοράς για κάθε µέρα από την 1-1-09 ως την 31-12-09 ή αλλιώς 8760 παρατηρήσεις.
Τα δεδοµένα αυτά τα χρησιµοποιήσαµε για την αξιολόγηση της προβλεπτικής
ικανότητας του µοντέλου, δηµιουργώντας ένα αντίστοιχο πίνακα 8760 x 2 όπου στην πρώτη
στήλη είναι οι ηµεροµηνίες και οι ώρες από 1/1/2009 έως 31/12/2009 και στη δεύτερη στήλη
τα 8760 καταγεγραµµένα δεδοµένα. Έπειτα δηµιουργούµε ένα ANFIS, µε τη βοήθεια του
fuzzy logic toolbox, το οποίο υπολογίζει τις καταλληλότερες παραµέτρους των συναρτήσεων
συµµετοχής (MF parameters).
Στην Εικόνα 81 έχουµε τα πραγµατικά δεδοµένα εισόδου συναρτήσει του χρόνου για
τον µήνα Ιανουάριο του 2009 και στη συνέχεια έχουµε τις Εικόνα 82 και Εικόνα 83 οι οποίες
είναι 2 ξεχωριστές γραφικές παραστάσεις, η πρώτη µε το όνοµα “error curves” και η δεύτερη
µε το όνοµα “step sizes”.
Εικόνα 81: Πραγµατικά δεδοµένα τιµής αγοράς της ηλεκτρικής ενέργειας από την διασύνδεση HQHIGATE για το
µήνα Ιανουάριο του 2009.
Στην Εικόνα 82 απεικονίζονται τα σφάλµατα εκπαίδευσης και ελέγχου (ως τη ρίζα
του µέσου τετραγωνικού σφάλµατος-RMSE) συναρτήσει του αριθµού των επαναλήψεων
118
(epochs). Στη Εικόνα 83 σχεδιάζουµε την καµπύλη του µεγέθους βήµατος συναρτήσει των
εποχών. Αυτό µας βοηθάει να προσαρµόσουµε το αρχικό µέγεθος βήµατος στο βέλτιστο,
βλέποντας τους αντίστοιχους ρυθµούς µείωσης και αύξησης, πάνω στο σχήµα.
Εικόνα 82: Σφάλµα εκπαίδευσης σε σχέση µε τον αριθµό εποχών.
Εικόνα 83: Μέγεθος βήµατος ανάλογα των αριθµό των εποχών.
Στη συνέχεια αξιολογούµε το ANFIS συγκρίνοντας τα αποτελέσµατα του ως προς τα
επιθυµητά αποτελέσµατα της πρόβλεψης των τελευταίων 80 δεδοµένων και οπτικοποιούµε το
αποτέλεσµα µε κοινή παρουσίαση τους στην Εικόνα 84.
119
Εικόνα 84: Σύγκριση προβλέψεων του µοντέλου ANFIS έναντι των επιθυµητών τιµών για τις 80 τελευταίες ωριαίες
καταγραφές (δλδ. για τις 3 τελευταίες µέρες του 2009). Ως συνάρτηση συµµετοχής χρησιµοποιήθηκε η καµπανοειδής.
Παίρνοντας τη διαφορά (δηλαδή το σφάλµα της πρόβλεψης) των δυο προηγούµενων
αποτελεσµάτων (πραγµατικά- ANFIS) δηµιουργούµε την Εικόνα 85 όπου έχουµε το γράφηµα
που απεικονίζει τα σφάλµατα συναρτήσει των παρατηρήσεων.
Εικόνα 85: Σφάλµατα πρόβλεψης του ANFIS για τη χρονική περίοδο 1-1-09 ως 31-12-09.
120
Και σε αυτήν την εφαρµογή, ως συναρτήσεις συµµετοχής χρησιµοποιηθήκαν 4 ειδών
συναρτήσεις: Την καµπανοειδής συνάρτηση, την τριγωνική συνάρτηση, την απλή
γκαουσιανή και την διπλή γκαουσιανή. Παρακάτω παρουσιάζουµε την αρχική και την τελική
καµπανοειδής συνάρτηση του ANFIS.
Εικόνα 86: Αρχική καµπανοειδής συνάρτηση συµµετοχής.
Εικόνα 87: Τελική καµπανοειδής συνάρτηση συµµετοχής.
Παρακάτω παρουσιάζεται η διασπορά των δεδοµένων εκπαίδευσης.
121
Εικόνα 88: ∆ιασπορά των δεδοµένων εκπαίδευσης.
Η δοµή του ANFIS που χρησιµοποιήθηκε είναι ακριβώς η ίδια που χρησιµοποιήθηκε
προηγουµένως. Έχουµε λοιπόν την αξιολόγηση του µοντέλου ANFIS µε τα µοντέλα AR, και
ARΜΑ µε τη βοήθεια του System Identification Toolbox της Matlab, από τα οποία εξάγουµε
τους ίδιους τύπους σφαλµάτων όπως και στο ANFIS (Πίνακας 20).
MSE RMSE MAE MAPE
AR 342,0100 18,4935 9,9051 Inf
ARMA 323,9501 17,9986 9,8117 Inf
Generalized bell curve membership function,
ANFIS1 183,0525 13,5297 6,7295 Inf
Triangular membership function,
ANFIS2 194,5739 13,9490 6,8556 Inf
Two-sided Gaussian membership function,
ANFIS3 183,9713 13,5636 6,7618 Inf
Gaussian curve membership function
ANFIS4 185,7066 13,6274 6,7733 Inf Πίνακας 20: Σύγκριση σφαλµάτων του ANFIS µε τις µεθόδους AR και ARMA.
Από τον παραπάνω πίνακα, βγάζουµε ως συµπέρασµα ότι η συνάρτηση συµµετοχής
του ANFIS µε την οποία έχουµε τις µικρότερες τιµές σφαλµάτων είναι η καµπανοειδής. Σε
αυτήν την εφαρµογή η τριγωνική δίνει µεγαλύτερες τιµές σφαλµάτων, κάτι που δεν την άνει
κατάλληλη σε αυτήν την περίπτωση. Αυτό που εκπλήσσει στην παρούσα εφαρµογή είναι οι
πολύ καλές τιµές σφαλµάτων που έχουµε για όλα τα ANFIS που εφαρµόσαµε, σε σχέση
πάντα µε τις τιµές σφαλµάτων που παίρνουµε από τις παραδοσιακές µεθοδολογίες AR και
ARMA.
122
7. Συµπεράσµατα
Ένα ANFIS για να µπορέσει να µελετηθεί, απαιτεί από τον χρήστη να έχει ένα
ανεπτυγµένο γνωστικό υπόβαθρο, το οποίο θα περιλαµβάνει τις στατιστικές µεθόδους, την
αριθµητική ανάλυση, τα αλγεβρικά συστήµατα και τους πίνακες. Επίσης να γνωρίζει τι είναι
τα νευρωνικά δίκτυα και πως µπορούν να εκπαιδευτούν και να γίνουν προσαρµοστικά και τη
θεωρία της ασαφούς λογικής.
Έτσι, µπορούµε να πούµε ότι αυτή η πολυπλοκότητα του δίνει τη δύναµη να µπορεί
να προσαρµόζεται καλύτερα στις διάφορες απαιτήσεις των όποιων προβληµάτων. ∆ίνει έτσι
µικρότερα σφάλµατα, άρα και καλύτερα αποτελέσµατα.. Η εκπαίδευση ενός τέτοιου
συστήµατος µπορεί να γίνει εύκολα, καθώς µπορούµε να αντιληφθούµε άµεσα τυχόν
προβλήµατα µέσα από τους κανόνες και τα γραφήµατα που εξάγουµε.
Αντίθετα, ενώ η πολυπλοκότητα του σηµαίνει και καλύτερες δυνατότητες
προσαρµογής, αυτόµατα σηµαίνει και µεγαλύτερες ανάγκες για επεξεργαστική ισχύ. ∆ηλ.
χρειάζεται περισσότερο χρόνο για να ολοκληρώσει την εξαγωγή αποτελεσµάτων σε σχέση µε
ένα απλούστερο παραδοσιακό µοντέλο καθώς επίσης απαιτεί µεγαλύτερες επενδύσεις σε
τεχνολογικό εξοπλισµό.
Ένα ακόµα µειονέκτηµα αποτελεί και το γεγονός ότι χρειαζόµαστε πολλά δεδοµένα
για την εκπαίδευση του συστήµατος, σε αντίθετη περίπτωση δηλ. εάν τα δεδοµένα είναι λίγα
παραµονεύει ο κίνδυνος της µη γενίκευσης του µοντέλου.
Παρόλα αυτά, τα νεύρο–ασαφή συστήµατα θα είναι ένα επιπλέον αξιόλογο µοντέλο
για την πρόβλεψη του ηλεκτρικού φορτίου, ειδικότερα σε αυτήν την εφαρµογή της
εισαγόµενης ηλεκτρικής ενέργειας σε ένα εθνικό δίκτυο µεταφοράς.
Συµπερασµατικά µπορούµε να πούµε ότι το µοντέλο ANFIS παρουσίασε καλύτερα
αποτελέσµατα σε σύγκριση µε τα µοντέλα AR, ARΜΑ, ανεξάρτητα ποια συνάρτηση
συµµετοχής χρησιµοποιήθηκε για την εκπαίδευση τον νεύρο-ασαφή συστήµατος. Επίσης το
µοντέλο ARΜΑ παρουσίασε καλύτερα αποτελέσµατα από το AR.
123
ΒΙΒΛΙΟΓΡΑΦΙΑ:
[1]. Ορισµός του Συγχρονισµένου ∆ικτύου Ευρείας Περιοχής.
http://en.wikipedia.org/wiki/Wide_area_synchronous_grid
[2]. Βασίλειος Κ. Παπαδιάς, ‘Γραµµές Μεταφοράς Ηλεκτρικής Ενέργειας’, Εκδόσεις
Συµµετρία, Αθήνα 1999
[3]. https://www.entsoe.eu/index.php?id=102. European Network of Transmission System
Operators for Electricity.
[4]. http://www.desmie.gr/home/ ∆ιαχειριστής Ελληνικού Συστήµατος Μεταφοράς
Ηλεκτρικής Ενέργειας.
[5]. http://www.investingreece.gov.gr/ ∆ιεθνή ιστοσελίδα για τις προοπτικές επενδύσεων
στην Ελλάδα.
[6]. www.dei.com.gr Επίσηµη Ιστοσελίδα της ∆ηµόσιας Επιχείρησης Ηλεκτρισµού.
[7]. Κ. Περράκης, Α. Βλάχος, ‘Ασφάλεια Ενεργειακού Εφοδιασµού – Ρόλος και
∆ραστηριότητες της ΡΑΕ σχετικά µε τον Τοµέα της Ηλεκτροπαραγωγής’, Παρουσίαση στα
πλαίσια της ∆ιηµερίδας του ΤΕΕ: ‘Λιγνίτης και Φ.Α. στην Ηλ
εκτροπαραγωγή της Χωράς’, 9-10/6/2005.
[8]. Σπ. Βάσσος, ‘Εισαγωγές & Εξαγωγές Ηλεκτρικής Ενέργειας στην Ελλάδα’, Παρουσίαση
στα πλαίσια της ηµερίδας της ΤΕΕ: ‘∆ίκτυα, ∆ιασυνδέσεις και Προµήθεια Ηλεκτρικής
Ενέργειας στην Ελλάδα’, Πάτρα 16/2/2009
[9]. http://www.iso-ne.com/ Μη κερδοσκοπικός Οργανισµός Περιφερειακής Μεταφοράς Ηλ.
Ενέργειας της Νέας Αγγλίας.
[10]. http://www.ferc.gov/ Οµοσπονδιακή Ρυθµιστική Επιτροπή Ενέργειας (FERC- Federal
Energy Regulatory Committee)
[11]. ‘New England Electric Market: Overview and Focal Points’, Έκδοση Οκτωβρίου 2010.
[12]. ‘2009 Annual Markets Report’, ISO-NE, May 18, 2010
[13]. Ορισµός του όρου αγοράς ηλεκτρικής ενέργειας δικτύου από την ηλεκτρονική
εγκυκλοπαίδεια Wikipedia. http://en.wikipedia.org/wiki/Electricity_market
[14]. Μιχάλης Φιλίππου, ‘Η χονδρεµπορική αγορά ηλεκτρικής ενέργειας στην Ελλάδα:
Προοπτικές και Εξελίξεις’, Παρουσίαση στα πλαίσια της ηµερίδας της ΤΕΕ: ‘∆ίκτυα,
∆ιασυνδέσεις και Προµήθεια Ηλεκτρικής Ενέργειας στην Ελλάδα’, Πάτρα 16/2/2009
[15]. Αναστάσιος Γ. Μπακιρτζής, ‘Οριακή Τιµή Ελληνικού Συστήµατος σύµφωνα µε τις
διατάξεις του Κώδικα ∆ιαχείρισης Συστήµατος & Συναλλαγών Ηλεκτρικής Ενέργειας’,
Παρουσίαση στα πλαίσια της ηµερίδας της ΤΕΕ: ‘∆ίκτυα, ∆ιασυνδέσεις και Προµήθεια
Ηλεκτρικής Ενέργειας στην Ελλάδα’, Πάτρα 16/2/2009
124
[16]. Γκορτζίλας Κων/νος, ‘Ανάπτυξη Μεθοδολογίας Νευρωνικών ∆ικτύων για την
πρόβλεψη της οριακής τιµής συστήµατος σε περιβάλλον Απελευθερωµένης Αγοράς
Ηλεκτρικής Ενέργειας.’, Μεταπτυχιακή ∆ιατριβή, ΜΠ∆-Πολυτεχνείο Χανίων, 2006.
[17]. Μαρκουλάκης Στυλιανός, ‘Τεχνικές Βραχυπρόθεσµης Πρόβλεψης Ηλεκτρικού
Φορτίου.’, Μεταπτυχιακή ∆ιατριβή, ΗΜΜΥ-Πολυτεχνείο Χανίων, 2005.
[18]. Ορισµός του όρου Ασαφής Λογικής από την ηλεκτρονική εγκυκλοπαίδεια Livepedia.
http://www.livepedia.gr/index.php/Ασαφής_Λογική
[19]. Bezdek, Editorial: ‘Fuzzy Models-What are they, and Why?’, IEEE Trans Fuzzy
Systems, No1, 1993, pp.325-332.
[20]. Ορισµός του όρου νευρωνικού δικτύου από την ηλεκτρονική εγκυκλοπαίδεια
Wikipedia. http://el.wikipedia.org/wiki/Νευρωνικό_δίκτυο.
[21]. ‘How Effective are Neural Networks at Forecasting and Prediction? A Review and
Evaluation’. Monica Adya & Fred Collopy, Journal of Forecasting, J. Forecast. 17, p.481-495
(1998)
[22]. JyH-Shing, Roger Jang, ‘ANFIS: Adaptive-Network-Based Fuzzy Inference System’,
IEEE Transactions on Systems, Man, and Cybernetics, Vol.23, No.3, pp.665-686.
[23] Ross TJ., ‘Fuzzy logic with engineering Applications’, International Edition, McGraw-
Hill, Inc, 1997
[24] Serge G (2001). ‘Designing Fuzzy Inference Systems from Data: Interpretability oriented
Review’, IEEE Transactions on Fuzzy Systems, Vol.9, No.3, 2001, pp.426-442.
[25] Javad Sadeh, Hamid Afradi. ‘A new and accurate fault location algorithm for combined
transmission lines using Adaptive Network-Based Fuzzy Inference System’, Electric Power
Systems Research 79, (2009) pp. 1538–1545.
[26] M.Joorabian M.Monadi, ‘ANFIS Based Fault Location for EHV Transmission Lines’.
[27] J. J. Mora, G. Carrillo, and L. Pιrez, ‘Fault Location in Power Distribution Systems
using ANFIS Nets and Current Patterns’, 2006 IEEE PES Transmission and Distribution
Conference and Exposition Latin America, Venezuela.
[28] Rasli A Ghani, Azah Mohamed and Hussain Shareef, ‘ANFIS Approach for Locating
Precise Fault Points with Coordinated Geometries in a Test Distribution System’, European
Journal of Scientific Research, ISSN 1450-216X Vol.35 No.3 (2009), pp.461-473.
[29] M.N.Syed-Ahmad, A. Bensenouci, S.A. Alghamdi, A.M.Abdel Ghany, ‘Short-Term
Load Forecasting Using Adaptive Neuro-Fuzzy Inference System (ANFIS) Application To
Aleppo Load Demand’.
[30]. Rony Seto Wibowo, Mauridhi Hery Purnomo & Dodi Prastianto, ‘Determining
Transmission Losses Penalty Factor Using Adaptive Neuro Fuzzy Inference System (ANFIS)
125
For Economic Dispatch Application’. JAVA Journal of Electrical and Electronics
Engineering, Vol. 1, No. 2, Oct 2003, ISSN 1412-8306.
[31] Jasna Radulović, Vesna Ranković, ‘An ANFIS Based Approach To Approximation Of
Electromagnetic Field Around Overhead Power Transmission Lines’, FACTA
UNIVERSITATIS, Series: Mechanics, Automatic Control and Robotics Vol. 7, No 1, 2008,
pp. 231 – 240.
[32]. I. S. Saeh, A. Khairuddin, ‘Implementation of Artificial Intelligence Techniques for
Steady State Security Assessment in Pool Market’, International Journal of Engineering (IJE),
Volume (3): Issue (1).
top related